使用Pytorch实现逻辑回归深度学习模型

import torch
import numpy as np
import pandas as pd
import matplotlib.pyplot
from torch import nn
#读取数据
data = pd.read_csv(r'C:\Users\22789\Desktop\学校课程学习\路飞python\1.基础部分(第1-7章)参考代码和数据集\第4章\credit-a.csv',header=None)
#由下面图一可以知道，左边15列是特征值，最后一列是标签
#接下来是数据预处理，分别取出特征值和标签
X = data.iloc[:,:-1]  # 取特征值
Y = data.iloc[:,-1].replace(-1,0)
X = torch.from_numpy(X.values).type(torch.float32)
Y = torch.from_numpy(Y.values.reshape(-1,1)).type(torch.float32)#转换成tensor
model = nn.Sequential(
    nn.Linear(15,1), #输入特征是15，输出特征是1
    nn.Sigmoid() 
) #顺序连接多个层
# 1.初始化损失函数
loss_fn = nn.BCELoss() # 二分类交叉熵损失函数
opt = torch.optim.Adam(model.parameters(),lr = 0.002) #优化函数
batches = 16
number_batch = 653//16
epoches = 1888 #定义训练论数为1888
for epoch in range(epoches):
    for batch in range(number_batch):
        start = batch * batches
        end = start + batches
        x = X[start:end]
        y = Y[start:end]
        y_pred = model(x)
        loss = loss_fn(y_pred,y)
        opt.zero_grad()
        loss.backward()
        opt.step()
model.state_dict() # sigmoid(w1*x1 + w2*x2+...w15*x15+b)
print(f"模型准确率是{((model(X).data.numpy() > 0.5).astype(int) == Y.numpy()).mean()}")

训练预测结果：