加載垃圾郵件數據集spambase.csv(數據集基本信息：樣本數: 4601,特征數量: 57, 類別：
1 為垃圾郵件，0 為非垃圾郵件，閱讀并理解數據。
按以下要求處理數據集
（1）分離出僅含特征列的部分作為 X 和僅含目標列的部分作為 Y。
（2）將數據集拆分成訓練集和測試集（70%和 30%）。
建立邏輯回歸模型
分別用 LogisticRegression 建模。
結果比對
（1）輸出測試集前 5 個樣本的預測結果。
（2）計算模型在測試集上的分類準確率（=正確分類樣本數/測試集總樣本數）
（3）從測試集中找出模型不能正確預測的樣本。
（4）對參數 penalty 分別取‘l1', ‘l2', ‘elasticnet', ‘none'，對比它們在測試集上的預測性能（計算 score）。
拆分特征值和目標數據前面已經可知，預測和模型得分結果也是直接使用模型的方法，下面主要是要測試準確率和找出不能正確預測的樣本，以及不同的懲罰下的模型得分，主要運用到Numpy模塊和列表list的函數，代碼如下：
y_train_pred = model.predict(x_train)
# In[26]:
train_accu = np.equal(y_train,y_train_pred)
print(y_train.shape,y_train_pred.shape)
# In[27]:
#計算模型在測試集上的分類準確率（=正確分類樣本數/測試集總樣本數）
accuracy = list(train_accu).count(True)/len(list(y_train))
print("準確率為"+"%f"%float(accuracy*100)+"%")
# In[28]:
#從測試集中找出模型不能正確預測的樣本。
test_accu = list(np.equal(y_pred,y_test))
i = 0
len_test = len(test_accu)
False_index = []
[False_index.append(i) for i in range(0,len_test) if test_accu[i]==False]
print(x_test[False_index])
# In[29]:
#對參數 penalty 分別取‘l1', ‘l2', ‘elasticnet', ‘none'，對比它們在測試集上的預測性能（計算 score）。
model2 = LogisticRegression(multi_class='ovr',penalty='l1',max_iter=10000,solver='saga').fit(x_train, y_train)
print("penalty='l1'"+'的得分：', model2.score(x_test, y_test))
# In[33]:
#對參數 penalty 分別取‘l1', ‘l2', ‘elasticnet', ‘none'，對比它們在測試集上的預測性能（計算 score）。
model2 = LogisticRegression(multi_class='ovr',penalty='l2',max_iter=10000).fit(x_train, y_train)
print("penalty='l2'"+'的得分：', model2.score(x_test, y_test))
# In[31]:
model4 = LogisticRegression(multi_class='ovr',penalty='elasticnet',max_iter=10000,solver='saga',l1_ratio=0).fit(x_train, y_train)
#模型建立產生一些參數的問題一般都是sklearn的版本問題，要是忽略，就升級更新一下版本就好了solver指定penalty參數的范圍
print("penalty='elasticnet'"+'的得分：', model4.score(x_test, y_test))
# In[32]:
model5 = LogisticRegression(multi_class='ovr',penalty='none',max_iter=10000,solver='lbfgs').fit(x_train, y_train)
print("penalty='none'"+'的得分：', model5.score(x_test, y_test))
總結
到此這篇關于Python垃圾郵件的邏輯回歸分類的文章就介紹到這了,更多相關Python垃圾郵件分類內容請搜索服務器之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持服務器之家！
原文鏈接：https://blog.csdn.net/missionnn/article/details/121575688
