Implementering af logistisk regression

Trin 2: Oprettelse af den logistiske regressionsmodel

Vi bruger klassen LogisticRegression fra scikit-learn til at oprette og træne modellen.

model = LogisticRegression()
model.fit(X_train, y_train)

Trin 3: Forudsigelser

Når modellen er trænet, bruger du den til at lave forudsigelser på testdataene.

y_pred = model.predict(X_test)

Trin 4: Evaluering af modellen

Vi evaluerer modellens ydeevne ved hjælp af nøjagtighed som måling.

accuracy = accuracy_score(y_test, y_pred)
print(f"Model Accuracy: {accuracy:.2f}")

Trin 5: Visualisering af beslutningsgrænser

For bedre at forstå modellens ydeevne visualiserer vi beslutningsgrænserne.

import matplotlib.pyplot as plt
import numpy as np

# Define grid for plotting
def plot_decision_boundary(X, y, model):
    x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
    y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
    xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.1), np.arange(y_min, y_max, 0.1))

    Z = model.predict(np.c_[xx.ravel(), yy.ravel()])
    Z = Z.reshape(xx.shape)
    
    plt.contourf(xx, yy, Z, alpha=0.8)
    plt.scatter(X[:, 0], X[:, 1], c=y, edgecolor='k')
    plt.title('Decision Boundary')
    plt.show()

plot_decision_boundary(X, y, model)

Trin 6: Justering af modellen

Vi kan forbedre modellens ydeevne ved at justere hyperparametre som C, der styrer regulariseringsstyrken.

model = LogisticRegression(C=0.5)
model.fit(X_train, y_train)

Udfordringerne omfatter:

• Håndtering af ubalancerede datasæt.
• Håndtering af stærkt korrelerede egenskaber.
• Sikring af tilstrækkelige træningsdata til effektive forudsigelser.

I denne lektion:

• Implementerede vi logistisk regression ved hjælp af scikit-learn.
• Lavede vi forudsigelser og evaluerede modellen.
• Visualiserede vi beslutningsgrænser.

Dernæst undersøger vi, hvordan modellens ydeevne evalueres ved hjælp af målinger som F1-score, præcision og genkaldelse.