Pelaksanaan Regresi Logistik

Dalam pelajaran ini, kami akan melaksanakan regresi logistik menggunakan pustaka scikit-learn. Kami akan menggunakan set data pengelasan perduaan.

Langkah 1: Mengimport Pustaka dan Set Data

Kami akan bermula dengan mengimport pustaka yang diperlukan dan memuatkan set data. Untuk memudahkan penerangan, kami akan menggunakan make_classification daripada scikit-learn untuk menjana set data pengelasan perduaan.

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)

Langkah 2: Mencipta Model Regresi Logistik

Kami menggunakan kelas LogisticRegression daripada scikit-learn untuk mencipta dan melatih model.

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

Langkah 3: Membuat Ramalan

Setelah model dilatih, kami menggunakannya untuk membuat ramalan pada data ujian.

y_pred = model.predict(X_test)

Langkah 4: Menilai Model

Kami menilai prestasi model menggunakan ketepatan sebagai metrik.

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

Langkah 5: Menggambarkan Sempadan Keputusan

Untuk memahami prestasi model dengan lebih baik, kami menggambarkan sempadan keputusan secara visual.

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)

Langkah 6: Menala Model

Kami boleh meningkatkan prestasi model dengan melaraskan hiperparameter seperti C, yang mengawal kekuatan regularisasi.

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

Cabaran termasuklah:

• Mengendalikan set data yang tidak seimbang.
• Menangani ciri yang sangat berkorelasi.
• Memastikan data latihan yang mencukupi untuk menghasilkan ramalan yang berkesan.

Dalam pelajaran ini, kami:

• Melaksanakan regresi logistik menggunakan scikit-learn.
• Membuat ramalan dan menilai model.
• Menggambarkan sempadan keputusan secara visual.

Seterusnya, kami akan meneroka cara menilai prestasi model menggunakan metrik seperti skor F1, kejituan dan capaian semula.