Pelaksanaan Regresi Logistik
Membina model pengelasan dalam Python
Pelaksanaan Regresi Logistik ialah pelajaran Python For Kids percuma di CoddyKit. Ini ialah pelajaran 4 daripada 5. Anda boleh membaca keseluruhan pelajaran di bawah secara percuma — kemudian berlatih secara praktikal dalam pelayar menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Python For Kids, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Python For Kids merangkumi sejumlah 5 pelajaran.
Melaksanakan Regresi Logistik dalam Python
Dalam pelajaran ini, kita akan melaksanakan regresi logistik menggunakan pustaka scikit-learn. Kita akan menggunakan set data pengelasan binari.
Mengimport Pustaka dan Set Data
Langkah 1: Mengimport Pustaka dan Set Data
Kita akan bermula dengan mengimport pustaka yang diperlukan dan memuatkan set data. Untuk memudahkan penerangan, kita akan menggunakan make_classification daripada scikit-learn untuk menjana set data pengelasan binari.
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)Mencipta Model Regresi Logistik
Langkah 2: Mencipta Model Regresi Logistik
Kita menggunakan kelas LogisticRegression daripada scikit-learn untuk mencipta dan melatih model.
model = LogisticRegression()
model.fit(X_train, y_train)Membuat Ramalan
Langkah 3: Membuat Ramalan
Setelah model dilatih, kita menggunakannya untuk membuat ramalan berdasarkan data ujian.
y_pred = model.predict(X_test)Menilai Model
Langkah 4: Menilai Model
Kita menilai prestasi model menggunakan ketepatan sebagai metrik.
accuracy = accuracy_score(y_test, y_pred)
print(f"Model Accuracy: {accuracy:.2f}")Memvisualkan Sempadan Keputusan
Langkah 5: Memvisualkan Sempadan Keputusan
Untuk memahami prestasi model dengan lebih baik, kita memvisualkan sempadan keputusan.
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)Menala Model
Langkah 6: Menala Model
Kita boleh meningkatkan prestasi model dengan melaraskan hiperparameter seperti C, yang mengawal kekuatan pengawalan.
model = LogisticRegression(C=0.5)
model.fit(X_train, y_train)Cabaran dalam Regresi Logistik
Cabaran termasuk:
- Mengendalikan set data yang tidak seimbang.
- Menangani ciri yang sangat berkorelasi.
- Memastikan data latihan yang mencukupi untuk menghasilkan ramalan yang berkesan.
Ringkasan dan Langkah Seterusnya
Dalam pelajaran ini, kita telah:
- Melaksanakan regresi logistik menggunakan scikit-learn.
- Membuat ramalan dan menilai model.
- Memvisualkan sempadan keputusan.
Seterusnya, kita akan meneroka cara menilai prestasi model menggunakan metrik seperti skor F1, kejituan dan dapatan semula.
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 22
- Pelajaran
- 94
Soalan Lazim
Adakah pelajaran “Pelaksanaan Regresi Logistik” percuma?
Ya — teks penuh “Pelaksanaan Regresi Logistik” boleh dibaca secara percuma di web ini. Untuk berlatih secara interaktif menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7, serta membuka kunci baki kursus Python For Kids, tingkat taraf kepada CoddyKit PRO. Kursus Python For Kids merangkumi sejumlah 5 pelajaran.
Apakah yang akan saya pelajari dalam “Pelaksanaan Regresi Logistik”?
Membina model pengelasan dalam Python Anda berlatih Python For Kids menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Python For Kids?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Python For Kids di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 4 daripada 5.
Berapa lamakah pelajaran “Pelaksanaan Regresi Logistik” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Python For Kids ini?
Ya. Setiap pelajaran Python For Kids menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Konsep Regresi Linear
- Melaksanakan Regresi Linear dalam Python
- Konsep Regresi Logistik
- Pelaksanaan Regresi Logistik
- Menilai Prestasi Model