-
Notifications
You must be signed in to change notification settings - Fork 2
/
logistic_regression_basic.py
83 lines (50 loc) · 2.47 KB
/
logistic_regression_basic.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
##############################################################################
# IMPORT REQUIRED PACKAGES
##############################################################################
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, confusion_matrix
##############################################################################
# IMPORT SAMPLE DATA
##############################################################################
my_df = pd.read_csv("data/sample_data_classification.csv")
##############################################################################
# SPLIT INPUT VARIABLES & OUTPUT VARIABLES
##############################################################################
X = my_df.drop(["output"], axis = 1)
y = my_df["output"]
##############################################################################
# SPLIT OUT TRAINING & TEST SETS
##############################################################################
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2, random_state = 42, stratify = y)
##############################################################################
# INSTANTIATE OUR MODEL
##############################################################################
clf = LogisticRegression(random_state = 42)
##############################################################################
# MODEL TRAINING
##############################################################################
clf.fit(X_train, y_train)
##############################################################################
# MODEL ASSESSMENT
##############################################################################
y_pred = clf.predict(X_test)
accuracy_score(y_test, y_pred)
y_pred_prob = clf.predict_proba(X_test)
##############################################################################
# CONFUSION MATRIX
##############################################################################
conf_matrix = confusion_matrix(y_test, y_pred)
print(conf_matrix)
plt.style.use("seaborn-poster")
plt.matshow(conf_matrix, cmap = "coolwarm")
plt.gca().xaxis.tick_bottom()
plt.title("Confusion Matrix")
plt.ylabel("Actual Class")
plt.xlabel("Predicted Class")
for (i, j), corr_value in np.ndenumerate(conf_matrix):
plt.text(j, i, corr_value, ha = "center", va = "center", fontsize = 20)
plt.show()