Ось приклад того, як це можна зробити:
- імпорт matplotlib. pyplot як plt.
- з mpl_toolkits. mplot3d імпорт Axes3D.
- # Налаштуйте 3D графік.
- фіг = plt. цифра()
- сокира = рис. add_subplot(111, projection='3d')
- # Визначте функцію логістичної карти.
- def logistic_map(x, r):
- повернути r * x * (1 – x)
Зробити це, матимемо вихід логістичного рівняння на осі ординат і можливі значення r на осі абсцис, збільшені на маленькі одиниці. Побудуємо результат! Для чіткості використовується темний фон. Дивлячись на те, скільки точок є при заданому значенні r, можна спостерігати ту саму схему подвоєння періоду.
Функція логістичної регресії 𝑝(𝐱) є сигмоподібною функцією 𝑓(𝐱): 𝑝(𝐱) = 1 / (1 + exp(−𝑓(𝐱)). Таким чином, він часто близький до 0 або 1. Функцію 𝑝(𝐱) часто інтерпретують як прогнозовану ймовірність того, що результат для даного 𝐱 дорівнює 1. Отже, 1 − 𝑝(𝑥) є ймовірністю того, що вихід дорівнює 0.
Це рівняння визначає правила, або динаміку, нашої системи: x представляє популяцію в будь-який момент часу t, а r представляє швидкість зростання. Іншими словами, рівень популяції в будь-який момент часу є функцією параметра швидкості зростання та рівня популяції попереднього кроку.
Розробка моделі та прогнозування По-перше, імпортуйте модуль Logistic Regression і створіть об’єкт класифікатора Logistic Regression за допомогою функції LogisticRegression() із random_state для відтворюваності. Потім підберіть свою модель до набору поїздів за допомогою fit() і виконайте прогноз на тестовому наборі за допомогою predict().