Implementering af logistisk regression
Byg klassifikationsmodeller i Python
Implementering af logistisk regression er en gratis Python For Kids-lektion på CoddyKit. Dette er lektion 4 af 5. Du kan læse hele lektionen gratis nedenfor — og derefter øve dig praktisk i browseren med en indbygget kodeeditor og en AI-vejleder, der er tilgængelig døgnet rundt. Den er en del af læringsforløbet i Python For Kids, og dine fremskridt synkroniseres på tværs af nettet og CoddyKit-appen. Python For Kids-kurset indeholder 5 lektioner i alt.
Implementering af logistisk regression i Python
I denne lektion implementerer vi logistisk regression ved hjælp af biblioteket scikit-learn. Vi arbejder med et datasæt til binær klassifikation.
Import af biblioteker og datasæt
Trin 1: Import af biblioteker og datasæt
Vi begynder med at importere de nødvendige biblioteker og indlæse et datasæt. For nemheds skyld bruger vi make_classification fra scikit-learn til at generere et datasæt til binær klassifikation.
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
# Generate dataset
X, y = make_classification(n_samples=100, n_features=2, n_classes=2, random_state=42)
# Split into train and test sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)Oprettelse af modellen til logistisk regression
Trin 2: Oprettelse af modellen til logistisk regression
Vi bruger klassen LogisticRegression fra scikit-learn til at oprette og træne modellen.
model = LogisticRegression()
model.fit(X_train, y_train)Oprettelse af forudsigelser
Trin 3: Oprettelse af forudsigelser
Når modellen er trænet, bruger vi den til at lave forudsigelser på testdataene.
y_pred = model.predict(X_test)Evaluering af modellen
Trin 4: Evaluering af modellen
Vi evaluerer modellens ydeevne ved at bruge nøjagtighed som mål.
accuracy = accuracy_score(y_test, y_pred)
print(f"Model Accuracy: {accuracy:.2f}")Visualisering af beslutningsgrænser
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)Justering af modellen
Trin 6: Justering af modellen
Vi kan forbedre modellens ydeevne ved at justere hyperparametre som C, der styrer styrken af regulariseringen.
model = LogisticRegression(C=0.5)
model.fit(X_train, y_train)Udfordringer ved logistisk regression
Udfordringer omfatter:
- Håndtering af ubalancerede datasæt.
- Håndtering af stærkt korrelerede egenskaber.
- Sikring af tilstrækkelige træningsdata til effektive forudsigelser.
Opsummering og næste trin
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 man evaluerer modellens ydeevne ved hjælp af mål som F1-score, præcision og genkaldelse.
Lær Python med en AI-underviser — gratis
Skriv og kør rigtig kode i din browser, få øjeblikkelig hjælp fra en AI-underviser døgnet rundt, og fortsæt, hvor du slap, på web eller i appen.
- Kurser
- 22
- Lektioner
- 94
Ofte stillede spørgsmål
Er lektionen “Implementering af logistisk regression” gratis?
Ja — hele teksten til “Implementering af logistisk regression” kan læses gratis her på nettet. Hvis du vil øve dig interaktivt med en indbygget kodeeditor og en AI-vejleder døgnet rundt og få adgang til resten af Python For Kids-kurset, skal du opgradere til CoddyKit PRO. Python For Kids-kurset indeholder 5 lektioner i alt.
Hvad lærer jeg i “Implementering af logistisk regression”?
Byg klassifikationsmodeller i Python Du øver dig i Python For Kids med praktisk kode, som du kører direkte i browseren, og en AI-vejleder døgnet rundt besvarer dine spørgsmål, mens du arbejder dig gennem lektionen.
Skal jeg have erfaring for at begynde på Python For Kids?
Der kræves ingen tidligere erfaring. Python For Kids på CoddyKit er tilrettelagt for både begyndere og øvede, så du kan starte her eller fra begyndelsen og lære i dit eget tempo. Dette er lektion 4 af 5.
Hvor lang tid tager lektionen “Implementering af logistisk regression”?
De fleste CoddyKit-lektioner tager cirka 5–10 minutter. Hver lektion er kort og interaktiv, så du gør løbende fremskridt og kan fortsætte, hvor du slap – på både web og app.
Kan jeg skrive og køre kode i denne Python For Kids-lektion?
Ja. Alle Python For Kids-lektioner har en indbygget kodeeditor, så du kan skrive og køre rigtig kode direkte i din browser og få øjeblikkelig feedback fra AI – uden lokal opsætning.
Alle lektioner i dette kursus
- Begrebet lineær regression
- Implementering af lineær regression i Python
- Begrebet logistisk regression
- Implementering af logistisk regression
- Evaluering af modelpræstation