Logistisen regression toteutus
Luokittelumallien rakentaminen Pythonilla
Logistisen regression toteutus on ilmainen Python For Kids-oppitunti CoddyKitissä. Tämä on oppitunti 4/5. Voit lukea koko oppitunnin alta ilmaiseksi ja harjoitella sen jälkeen käytännössä selaimessa sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla. Oppitunti kuuluu Python For Kids-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Python For Kids-kurssilla on yhteensä 5 oppituntia.
Logistisen regression toteuttaminen Pythonilla
Tässä oppitunnissa toteutamme logistisen regression scikit-learn-kirjaston avulla. Käytämme binääriseen luokitteluun tarkoitettua aineistoa.
Kirjastojen ja aineiston tuominen
Vaihe 1: Kirjastojen ja aineiston tuominen
Aloitamme tuomalla tarvittavat kirjastot ja lataamalla aineiston. Käytämme yksinkertaisuuden vuoksi scikit-learnin make_classification-funktiota 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, sen avulla tehdään ennusteita testitiedoista.
y_pred = model.predict(X_test)Mallin arviointi
Vaihe 4: Mallin arviointi
Arvioimme mallin suorituskykyä käyttämällä tarkkuutta mittarina.
accuracy = accuracy_score(y_test, y_pred)
print(f"Model Accuracy: {accuracy:.2f}")Päätösrajojen visualisointi
Vaihe 5: Päätösrajojen visualisointi
Jotta ymmärtäisimme 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 määrittää regularisoinnin voimakkuuden.
model = LogisticRegression(C=0.5)
model.fit(X_train, y_train)Logistisen regression haasteet
Haasteita ovat esimerkiksi:
- Epätasapainoisten aineistojen käsittely.
- Voimakkaasti korreloivien piirteiden käsittely.
- Riittävän koulutusaineiston 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 F1-arvon, precisionin ja recallin kaltaisilla mittareilla.
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
- 22
- Oppitunnit
- 94
Usein kysytyt kysymykset
Onko oppitunti ”Logistisen regression toteutus” ilmainen?
Kyllä – oppitunnin ”Logistisen regression toteutus” koko tekstin voi lukea täällä verkossa ilmaiseksi. Jos haluat harjoitella interaktiivisesti sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla sekä avata koko Python For Kids-kurssin, päivitä CoddyKit PROhon. Python For Kids-kurssilla on yhteensä 5 oppituntia.
Mitä opin oppitunnilla ”Logistisen regression toteutus”?
Luokittelumallien rakentaminen Pythonilla Harjoittelet Python For Kids-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.
Tarvitsenko kokemusta aloittaakseni Python For Kids-opiskelun?
Aiempi kokemus ei ole tarpeen. CoddyKitin Python For Kids-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 4/5.
Kuinka kauan ”Logistisen regression toteutus”-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 Python For Kids-oppitunnilla?
Kyllä. Jokainen Python For Kids-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
- Lineaarisen regression käsite
- Lineaarisen regression toteuttaminen Pythonissa
- Logistisen regression käsite
- Logistisen regression toteutus
- Mallin suorituskyvyn arviointi