Python : Comment utiliser la Régression Logistique Multinomiale à l'aide de SKlearn

J'ai un jeu de données de test et de train jeu de données comme ci-dessous. J'ai fourni un échantillon de données avec min enregistrements, mais mes données de plus de 1000 enregistrements. Ici, E est ma variable cible dont j'ai besoin pour prédire l'aide d'un algorithme. Il a seulement quatre catégories comme 1,2,3,4. Il ne peut prendre que l'une de ces valeurs.

Ensemble De Données D'Apprentissage:

A    B    C    D    E
1    20   30   1    1
2    22   12   33   2
3    45   65   77   3
12   43   55   65   4
11   25   30   1    1
22   23   19   31   2
31   41   11   70   3
1    48   23   60   4

Ensemble De Données De Test:

A    B    C    D    E
11   21   12   11
1    2    3    4
5    6    7    8 
99   87   65   34 
11   21   24   12

Puisque E n'a que 4 catégories, j'ai pensé à prédire ce à l'aide de Régression Logistique Multinomiale (1 vs Reste Logique). Je suis en train de le mettre en œuvre à l'aide de python.

Je sais que la logique que nous avons besoin de définir ces objectifs dans une variable et utiliser un algorithme pour prédire l'une de ces valeurs:

output = [1,2,3,4]

Mais je suis bloqué à un point sur la façon de l'utiliser à l'aide de python (sklearn) en boucle par le biais de ces valeurs et de ce que l'algorithme doit-je utiliser pour prédire les valeurs de sortie? Toute aide serait grandement appréciée

ce tutoriel devrait être un bon endroit pour commencer scikit-learn.org/stable/auto_examples/exercises/...
Il a également été demandé sur datascience datascience.stackexchange.com/questions/11334/...

OriginalL'auteur Sriram Chandramouli | 2016-04-21

  1. 7

    LogisticRegression peut gérer plusieurs classes out-of-the-box.

    X = df[['A', 'B', 'C', 'D']]
y = df['E']
lr = LogisticRegression()
lr.fit(X, y)
preds = lr.predict(X)  # will output array with integer values.

    OriginalL'auteur dukebody

  2. 7

    Vous pouvez essayer de 

    LogisticRegression(multi_class='multinomial',solver ='newton-cg').fit(X_train,y_train)
    N'est-ce pas essentiellement le même que l'existant réponse à cette question?

    OriginalL'auteur Daisy Qin