Implementering av logistisk regresjon
Bygging av klassifiseringsmodeller i Python.
Implementering av logistisk regresjon er en gratis leksjon i Lær AI med Python på CoddyKit. Dette er leksjon 4 av 5. Du kan lese valgfritt 3 leksjoner fra denne læringsstien gratis i sin helhet – deretter låser CoddyKit PRO opp alle leksjoner, samt praktisk øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i Lær AI med Python, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i Lær AI med Python inneholder totalt 5 leksjoner.
Implementere logistisk regresjon i Python
I denne leksjonen skal vi implementere logistisk regresjon ved hjelp av biblioteket scikit-learn. Vi skal arbeide med et datasett for binær klassifisering.
Importere biblioteker og datasett
Trinn 1: Importere biblioteker og datasett
Vi starter med å importere de nødvendige bibliotekene og laste inn et datasett. For enkelhets skyld bruker vi make_classification fra scikit-learn til å generere et datasett for binær klassifisering.
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)Opprette modellen for logistisk regresjon
Trinn 2: Opprette modellen for logistisk regresjon
Vi bruker klassen LogisticRegression i scikit-learn til å opprette og trene modellen.
model = LogisticRegression()
model.fit(X_train, y_train)Lage prediksjoner
Trinn 3: Lage prediksjoner
Når modellen er trent, bruker vi den til å lage prediksjoner på testdataene.
y_pred = model.predict(X_test)Evaluere modellen
Trinn 4: Evaluere modellen
Vi evaluerer modellens ytelse ved hjelp av nøyaktighet som måltall.
accuracy = accuracy_score(y_test, y_pred)
print(f"Model Accuracy: {accuracy:.2f}")Visualisere beslutningsgrenser
Trinn 5: Visualisere beslutningsgrenser
For å forstå modellens ytelse bedre visualiserer vi beslutningsgrensene.
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)Justere modellen
Trinn 6: Justere modellen
Vi kan forbedre modellens ytelse ved å justere hyperparametere som C, som styrer regulariseringsstyrken.
model = LogisticRegression(C=0.5)
model.fit(X_train, y_train)Utfordringer ved logistisk regresjon
Utfordringene omfatter:
- Håndtering av ubalanserte datasett.
- Håndtering av sterkt korrelerte features.
- Sikring av tilstrekkelige treningsdata for effektive prediksjoner.
Oppsummering og neste steg
I denne leksjonen:
- Implementerte vi logistisk regresjon ved hjelp av scikit-learn.
- Lagde vi prediksjoner og evaluerte modellen.
- Visualiserte vi beslutningsgrenser.
Deretter skal vi utforske hvordan vi evaluerer modellens ytelse ved hjelp av måltall som F1-score, presisjon og recall.
Lær deg Python med en AI-veileder – gratis
Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.
- Kurs
- 53
- Leksjoner
- 225
Ofte stilte spørsmål
Er leksjonen «Implementering av logistisk regresjon» gratis?
Ja – du kan lese valgfritt 3 av leksjonene i læringsstien Lær AI med Python, inkludert «Implementering av logistisk regresjon», gratis i sin helhet her på nettet. Deretter låser CoddyKit PRO opp alle leksjoner, samt interaktiv øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Kurset i Lær AI med Python inneholder totalt 5 leksjoner.
Hva lærer jeg i «Implementering av logistisk regresjon»?
Bygging av klassifiseringsmodeller i Python. Du øver på Lær AI med Python med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.
Trenger jeg erfaring for å begynne med Lær AI med Python?
Ingen tidligere erfaring er nødvendig. Lær AI med Python på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 4 av 5.
Hvor lang tid tar leksjonen «Implementering av logistisk regresjon»?
De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.
Kan jeg skrive og kjøre kode i denne Lær AI med Python-leksjonen?
Ja. Alle Lær AI med Python-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.
Alle leksjonene i dette kurset
- Konseptet lineær regresjon
- Implementering av lineær regresjon i Python
- Konseptet logistisk regresjon
- Implementering av logistisk regresjon
- Evaluering av modellens ytelse