Logistisen regression toteutus

Tässä oppitunnissa toteutamme logistisen regression scikit-learn-kirjaston avulla. Käytämme binäärisen luokittelun aineistoa.

Vaihe 1: Kirjastojen ja aineiston tuominen

Aloitamme tuomalla tarvittavat kirjastot ja lataamalla aineiston. Käytämme yksinkertaisuuden vuoksi 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)

Vaihe 2: Logistisen regression mallin luominen

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

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

Vaihe 3: Ennusteiden tekeminen

Kun malli on koulutettu, käytämme sitä testidatan ennusteiden tekemiseen.

y_pred = model.predict(X_test)

Vaihe 4: Mallin arviointi

Arvioimme mallin suorituskykyä käyttämällä tarkkuutta mittarina.

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

Vaihe 5: Päätösrajojen visualisointi

Jotta ymmärtäisimme mallin suorituskykyä paremmin, 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)

Vaihe 6: Mallin säätäminen

Voimme parantaa mallin suorituskykyä säätämällä hyperparametreja, kuten C:tä, joka määrittää regularisoinnin voimakkuuden.

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

Haasteita ovat esimerkiksi:

• Epätasapainoisten aineistojen käsittely.
• Voimakkaasti korreloivien piirteiden käsittely.
• Riittävän koulutusdatan varmistaminen tehokkaita ennusteita varten.

Tässä oppitunnissa:

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

Seuraavaksi tutustumme mallin suorituskyvyn arviointiin F1-tuloksen, täsmällisyyden ja herkkyyden kaltaisilla mittareilla.