Logistische Regression implementieren
Klassifikationsmodelle in Python erstellen.
Logistische Regression implementieren ist eine kostenlose Python For Kids-Lektion auf CoddyKit. Dies ist Lektion 4 von 5. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Python For Kids-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Python For Kids-Kurs umfasst insgesamt 5 Lektionen.
Implementierung der logistischen Regression in Python
In dieser Lektion implementieren Sie die logistische Regression mithilfe der Bibliothek scikit-learn. Sie arbeiten mit einem Datensatz zur binären Klassifizierung.
Bibliotheken und Datensatz importieren
Schritt 1: Bibliotheken und Datensatz importieren
Zunächst importieren Sie die benötigten Bibliotheken und laden einen Datensatz. Der Einfachheit halber verwenden Sie make_classification aus scikit-learn, um einen Datensatz zur binären Klassifizierung zu erzeugen.
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)Das Modell der logistischen Regression erstellen
Schritt 2: Das Modell der logistischen Regression erstellen
Sie verwenden die Klasse LogisticRegression von scikit-learn, um das Modell zu erstellen und zu trainieren.
model = LogisticRegression()
model.fit(X_train, y_train)Vorhersagen treffen
Schritt 3: Vorhersagen treffen
Sobald das Modell trainiert ist, verwenden wir es, um Vorhersagen für die Testdaten zu treffen.
y_pred = model.predict(X_test)Das Modell evaluieren
Schritt 4: Das Modell evaluieren
Sie bewerten die Leistung des Modells anhand der Genauigkeit als Metrik.
accuracy = accuracy_score(y_test, y_pred)
print(f"Model Accuracy: {accuracy:.2f}")Entscheidungsgrenzen visualisieren
Schritt 5: Entscheidungsgrenzen visualisieren
Um die Leistung des Modells besser zu verstehen, visualisieren Sie die Entscheidungsgrenzen.
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)Das Modell abstimmen
Schritt 6: Das Modell abstimmen
Sie können die Leistung des Modells verbessern, indem Sie Hyperparameter wie C anpassen, der die Stärke der Regularisierung steuert.
model = LogisticRegression(C=0.5)
model.fit(X_train, y_train)Herausforderungen bei der logistischen Regression
Zu den Herausforderungen gehören:
- Der Umgang mit unausgewogenen Datensätzen.
- Der Umgang mit stark korrelierten Merkmalen.
- Sicherzustellen, dass genügend Trainingsdaten für effektive Vorhersagen vorhanden sind.
Zusammenfassung und nächste Schritte
In dieser Lektion haben Sie:
- die logistische Regression mit scikit-learn implementiert.
- Vorhersagen erstellt und das Modell evaluiert.
- Entscheidungsgrenzen visualisiert.
Als Nächstes untersuchen Sie, wie sich die Modellleistung mithilfe von Metriken wie F1-Score, Precision und Recall bewerten lässt.
Häufig gestellte Fragen
Ist die Lektion „Logistische Regression implementieren“ kostenlos?
Ja — der vollständige Text von „Logistische Regression implementieren“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Python For Kids-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Python For Kids-Kurs umfasst insgesamt 5 Lektionen.
Was lerne ich in „Logistische Regression implementieren“?
Klassifikationsmodelle in Python erstellen. Du übst Python For Kids mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Python For Kids zu starten?
Keine Vorkenntnisse erforderlich. Python For Kids auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 4 von 5.
Wie lange dauert die Lektion „Logistische Regression implementieren“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Python For Kids-Lektion Code schreiben und ausführen?
Ja. Jede Python For Kids-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Das Konzept der linearen Regression
- Lineare Regression in Python implementieren
- Das Konzept der logistischen Regression
- Logistische Regression implementieren
- Modellleistung bewerten