로지스틱 회귀는 분류 문제에 주로 사용되는 머신 러닝 알고리즘입니다. scikit-learn은 파이썬에서 머신 러닝을 구현하고 사용하기 위한 강력한 라이브러리로, 로지스틱 회귀를 구현하는 데도 사용될 수 있습니다.
scikit-learn 로지스틱 회귀 모델
scikit-learn에서 로지스틱 회귀를 사용하려면 LogisticRegression 클래스를 사용해야 합니다. 이 클래스는 데이터의 특징과 타겟 벡터를 입력받아 학습할 수 있는 로지스틱 회귀 모델을 생성합니다.
다음은 scikit-learn에서 로지스틱 회귀 모델을 생성하고 학습하는 예제 코드입니다.
from sklearn.linear_model import LogisticRegression
# 특징 데이터
X = [[3.5, 4.2], [2.1, 6.5], [5.1, 3.8], [6.3, 2.9]]
# 타겟 벡터 (분류 결과)
y = [0, 1, 1, 0]
# 로지스틱 회귀 모델 생성
model = LogisticRegression()
# 모델 학습
model.fit(X, y)
위 코드에서 X는 특징 데이터를 나타내는 2차원 리스트이고, y는 각 데이터의 분류 결과를 나타내는 벡터입니다. LogisticRegression 클래스를 사용하여 model 객체를 생성한 후, fit 메서드를 사용하여 모델을 학습시킵니다.
scikit-learn 로지스틱 회귀 모델 예측
로지스틱 회귀 모델을 학습시킨 후에는 새로운 데이터에 대한 예측을 수행할 수 있습니다. scikit-learn의 로지스틱 회귀 모델은 predict 메서드를 사용하여 예측을 수행합니다.
다음은 학습된 로지스틱 회귀 모델로 예측을 수행하는 예제 코드입니다.
# 새로운 데이터
new_data = [[4.8, 5.9], [1.2, 3.6]]
# 예측
predictions = model.predict(new_data)
print(predictions)
위 코드에서 new_data는 예측을 수행할 새로운 데이터를 나타내는 2차원 리스트입니다. predict 메서드를 사용하여 new_data에 대한 예측을 수행하고, 결과를 predictions 변수에 저장합니다.
결론
scikit-learn은 파이썬에서 로지스틱 회귀를 구현하고 사용하기 위한 편리한 라이브러리입니다. LogisticRegression 클래스를 사용하여 모델을 생성하고 학습시킨 후, predict 메서드를 사용하여 새로운 데이터에 대한 예측을 수행할 수 있습니다. 이를 통해 로지스틱 회귀를 쉽고 빠르게 구현할 수 있습니다.