PricingLoginStart free
Oppikaa tekoälyä Pythonilla · Oppitunti

Logistisen regression toteuttaminen

Luokittelumallien rakentaminen Pythonissa.

Oppitunti 4/510 vaihetta

Logistisen regression toteuttaminen on ilmainen Oppikaa tekoälyä Pythonilla-oppitunti CoddyKitissä. Tämä on oppitunti 4/5. Voit lukea tästä oppimispolusta kokonaan mitkä tahansa 3 oppituntia ilmaiseksi — sen jälkeen CoddyKit PRO avaa kaikki oppitunnit sekä käytännön harjoittelun sisäänrakennetulla koodieditorilla ja ympäri vuorokauden toimivalla tekoälytuutorilla. Oppitunti kuuluu Oppikaa tekoälyä Pythonilla-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Oppikaa tekoälyä Pythonilla-kurssilla on yhteensä 5 oppituntia.

Logistisen regression toteuttaminen Pythonilla

Tässä oppitunnissa toteutamme logistisen regression scikit-learn-kirjaston avulla. Käytämme binääristä luokitteluaineistoa.

Logistisen regression toteuttaminen — kuvitus 1

Kirjastojen ja data-aineiston tuominen käyttöön

Vaihe 1: Kirjastojen ja data-aineiston tuominen käyttöön

Aloitamme tuomalla tarvittavat kirjastot käyttöön ja lataamalla data-aineiston. Yksinkertaisuuden vuoksi käytämme scikit-learnin make_classification-toimintoa binäärisen luokitteluaineiston luomiseen.

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)

Logistisen regressiomallin luominen

Vaihe 2: Logistisen regressiomallin luominen

Luomme ja koulutamme mallin scikit-learnin LogisticRegression-luokan avulla.

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

Ennusteiden tekeminen

Vaihe 3: Ennusteiden tekeminen

Kun malli on koulutettu, käytämme sitä ennusteiden tekemiseen testidatalla.

y_pred = model.predict(X_test)

Mallin arviointi

Vaihe 4: Mallin arviointi

Arvioimme mallin suorituskykyä käyttämällä mittarina tarkkuutta.

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

Päätösrajojen visualisointi

Vaihe 5: Päätösrajojen visualisointi

Jotta ymmärtäisitte paremmin mallin suorituskykyä, visualisoimme päätösrajat.

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)

Mallin hienosäätö

Vaihe 6: Mallin hienosäätö

Voimme parantaa mallin suorituskykyä säätämällä hyperparametreja, kuten C-parametria, joka hallitsee regularisoinnin voimakkuutta.

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

Logistisen regression haasteet

Haasteita ovat esimerkiksi:

  • Epätasapainoisten data-aineistojen käsittely.
  • Voimakkaasti korreloivien piirteiden käsittely.
  • Riittävän opetusdatan varmistaminen tehokkaita ennusteita varten.

Yhteenveto ja seuraavat vaiheet

Tässä oppitunnissa:

  • Toteutimme logistisen regression scikit-learnin avulla.
  • Teimme ennusteita ja arvioimme mallia.
  • Visualisoimme päätösrajat.

Seuraavaksi tutustumme mallin suorituskyvyn arviointiin mittareilla, kuten F1-tuloksella, täsmällisyydellä ja saannilla.

Logistisen regression toteuttaminen — kuvitus 10
Aloita maksutta

Opi Python tekoälytuutorin avulla — ilmaiseksi

Kirjoita ja suorita oikeaa koodia selaimessa, saa välitöntä apua tekoälytuutorilta ympäri vuorokauden ja jatka siitä, mihin jäit, verkossa tai sovelluksessa.

Kurssit
53
Oppitunnit
225
Aloita opiskelu maksuttaNäytä koko kurssi

Usein kysytyt kysymykset

Onko oppitunti ”Logistisen regression toteuttaminen” ilmainen?

Kyllä — voit lukea täällä verkossa kokonaan ilmaiseksi mitkä tahansa Oppikaa tekoälyä Pythonilla-oppimispolun 3 oppituntia, myös oppitunnin “Logistisen regression toteuttaminen”. Sen jälkeen CoddyKit PRO avaa kaikki oppitunnit sekä interaktiiviset harjoitukset sisäänrakennetulla koodieditorilla ja ympäri vuorokauden toimivalla tekoälytuutorilla. Oppikaa tekoälyä Pythonilla-kurssilla on yhteensä 5 oppituntia.

Mitä opin oppitunnilla ”Logistisen regression toteuttaminen”?

Luokittelumallien rakentaminen Pythonissa. Harjoittelet Oppikaa tekoälyä Pythonilla-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.

Tarvitsenko kokemusta aloittaakseni Oppikaa tekoälyä Pythonilla-opiskelun?

Aiempi kokemus ei ole tarpeen. CoddyKitin Oppikaa tekoälyä Pythonilla-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 4/5.

Kuinka kauan ”Logistisen regression toteuttaminen”-oppitunnin suorittaminen kestää?

Useimmat CoddyKitin oppitunnit kestävät noin 5–10 minuuttia. Jokainen oppitunti on lyhyt ja interaktiivinen, joten edistyt tasaisesti ja voit jatkaa siitä, mihin jäit – sekä verkossa että sovelluksessa.

Voinko kirjoittaa ja suorittaa koodia tällä Oppikaa tekoälyä Pythonilla-oppitunnilla?

Kyllä. Jokainen Oppikaa tekoälyä Pythonilla-oppitunti sisältää sisäänrakennetun koodieditorin, joten voit kirjoittaa ja suorittaa oikeaa koodia suoraan selaimessa ja saada välitöntä palautetta tekoälyltä – paikallista asennusta ei tarvita.

Kaikki tämän kurssin oppitunnit

  1. Lineaarisen regression käsite
  2. Lineaarisen regression toteuttaminen Pythonissa
  3. Logistisen regression käsite
  4. Logistisen regression toteuttaminen
  5. Mallin suorituskyvyn arviointi
← Takaisin: Oppikaa tekoälyä Pythonilla