機械学習　ロジスティック回帰

#モジュール
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

import warnings
warnings.filterwarnings("ignore")

from sklearn.model_selection import train_test_split

#irisデータの読み込み
from sklearn.datasets import load_iris
iris = load_iris()

#データの可視化
import seaborn as sns
sns.set_style("darkgrid")
df = sns.load_dataset("iris")

g = sns.pairplot(df,hue = "species",diag_kind="kde")
plt.show()

引数diag_kind='kde'とすると対角線のグラフの種類をヒストグラムからカーネル密度推定に変更できる。

カーネル密度推定は分布を特に指定せず、（ノンパラメトリック）ある分布の密度関数を推定する方法。

#説明変数と目的変数を設定
iris_X = iris.data
iris_Y = iris.target

#データを訓練用とテスト用に分割
iris_X_train,iris_X_test,iris_Y_train,iris_Y_test = train_test_split(iris_X,iris_Y,random_state=0)

# ロジスティック回帰モデルインポート
from sklearn.linear_model import LogisticRegression

# 使用するモデルを指定する
logreg = LogisticRegression()

# モデルを訓練させる
logreg.fit(iris_X_train, iris_Y_train)

# 先ほど分割したテストデータをモデルに予測してもらう
Y_pred = logreg.predict(iris_X_test)

# 精度確認
from sklearn.metrics import accuracy_score

# 予測結果を確認する
acc_logreg = round(accuracy_score(Y_pred, iris_Y_test) * 100, 2)
print(acc_logreg)

97.37