1.

#Regresja logistyczna - wstęp
import matplotlib.pyplot as plt
import numpy as np

def transformation(x):
    #return 0.1*x + 0.02
    a = -0.11
    b = 1
    return a*x + b


X = [1,2,4,7,8,10,12,17] #rozmiary guzów
Y = [0,0,0,0,0,1,1,1] #flaga oceniająca ich złośliwość - 1=złośliwy / 0=niezłośliwy
function_sampling_x_coordinates = np.linspace(0,18,500) #generowanie 500 punktów pomiędzy granicami osi X (0,18)
function_sampling_y_coordinates = [transformation(x) for x in function_sampling_x_coordinates] #wyznaczanie wartosci funkcji transformation w tych punktach

# ---Zadanie 1---
#Zamień postać funkcji transformation tak, aby stworzyła krzywą logistyczną
#Jaki wpływ ma zmiana wartości parametru a na funkcję?
#Wartość a pozwala regulować część wspólną (brak określenia czy złośliwy czy nie)
#Jaki wpływ ma zmiana wartości parametru b na funkcję?
#Wartość b pozwala określić od którego momentu guzy zostaną zakwalifikowane jako złośliwe.

plt.plot(X, Y, "o")
plt.plot(function_sampling_x_coordinates, function_sampling_y_coordinates, 'r-')
plt.ylim(ymax = 1.25, ymin = -0.25)

plt.show()


2.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression
from sklearn import linear_model, datasets
from helpers_lab2 import plot_boundary

iris = datasets.load_iris()
X = iris.data[:, :2]  #weź tylko dwie cechy przykładowego zbioru
Y = iris.target # Y to klasy, które chcemy przewidzieć

logreg = LogisticRegression(C=1e5, solver='lbfgs', multi_class='multinomial')

logreg.fit(X, Y)

plot_boundary(logreg, X, Y)
#Zadanie 2:
#Na podstawie dokumentacji sklearn, stwórz klasyfikator LogisticRegression i wytrenuj go odpowiednio, aby dobrze separował przestrzeń.