लॉजिस्टिक प्रतिगमन का कार्यान्वयन

इस पाठ में हम स्किकिट-लर्न पुस्तकालय का उपयोग करके लॉजिस्टिक प्रतिगमन लागू करेंगे। हम एक द्विआधारी वर्गीकरण डेटासेट के साथ काम करेंगे।

चरण 1: पुस्तकालय और डेटासेट आयात करना

हम आवश्यक पुस्तकालयों को आयात करके और एक डेटासेट लोड करके शुरुआत करेंगे। सरलता के लिए, हम द्विआधारी वर्गीकरण डेटासेट बनाने हेतु स्किकिट-लर्न के make_classification का उपयोग करेंगे।

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)

चरण 2: लॉजिस्टिक प्रतिगमन मॉडल बनाना

हम मॉडल बनाने और उसे प्रशिक्षित करने के लिए स्किकिट-लर्न की LogisticRegression वर्ग का उपयोग करते हैं।

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

चरण 3: पूर्वानुमान लगाना

मॉडल के प्रशिक्षित हो जाने के बाद, हम परीक्षण डेटा पर पूर्वानुमान लगाने के लिए इसका उपयोग करते हैं।

y_pred = model.predict(X_test)

चरण 4: मॉडल का मूल्यांकन करना

हम सटीकता को मापदंड के रूप में उपयोग करके मॉडल के प्रदर्शन का मूल्यांकन करते हैं।

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

चरण 5: निर्णय सीमाओं को दृश्य रूप में प्रस्तुत करना

मॉडल के प्रदर्शन को बेहतर ढंग से समझने के लिए हम निर्णय सीमाओं को दृश्य रूप में प्रस्तुत करते हैं।

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)

चरण 6: मॉडल को समायोजित करना

हम C जैसे अतिप्राचलों को समायोजित करके मॉडल के प्रदर्शन में सुधार कर सकते हैं। C नियमितीकरण की शक्ति को नियंत्रित करता है।

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

मुख्य चुनौतियाँ हैं:

• असंतुलित डेटासेट को संभालना।
• अत्यधिक सहसंबद्ध विशेषताओं से निपटना।
• प्रभावी पूर्वानुमानों के लिए पर्याप्त प्रशिक्षण डेटा सुनिश्चित करना।

इस पाठ में हमने:

• स्किकिट-लर्न का उपयोग करके लॉजिस्टिक प्रतिगमन लागू किया।
• पूर्वानुमान लगाए और मॉडल का मूल्यांकन किया।
• निर्णय सीमाओं को दृश्य रूप में प्रस्तुत किया।

अब हम F1 अंक, परिशुद्धता और स्मरण दर जैसे मापदंडों का उपयोग करके मॉडल के प्रदर्शन का मूल्यांकन करना सीखेंगे।