Python For Kids · leksjon

Implementere logistisk regresjon

Bygge klassifiseringsmodeller i Python

Leksjon 4 av 510 trinn

Implementere logistisk regresjon er en gratis leksjon i Python For Kids på CoddyKit. Dette er leksjon 4 av 5. Du kan lese hele leksjonen gratis nedenfor – og deretter øve praktisk i nettleseren med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i Python For Kids, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i Python For Kids inneholder totalt 5 leksjoner.

Implementering av 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.

Implementere logistisk regresjon — illustrasjon 1

Importere biblioteker og datasett

Trinn 1: Importere biblioteker og datasett

Vi begynner 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 å bruke nøyaktighet som mål.

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 styrken på regulariseringen.

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 egenskaper.
Å sørge for tilstrekkelig treningsdata for å oppnå effektive prediksjoner.

Oppsummering og neste steg

I denne leksjonen:

Implementerte vi logistisk regresjon ved hjelp av scikit-learn.
Gjorde vi prediksjoner og evaluerte modellen.
Visualiserte vi beslutningsgrenser.

Deretter skal vi se nærmere på hvordan modellens ytelse kan evalueres ved hjelp av mål som F1-score, presisjon og recall.

Implementere logistisk regresjon — illustrasjon 10

Gratis å komme i gang

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: 22
Leksjoner: 94

Start læringen gratis Se hele kurset

Ofte stilte spørsmål

Er leksjonen «Implementere logistisk regresjon» gratis?

Ja – hele teksten i «Implementere logistisk regresjon» er gratis å lese her på nettet. For å øve interaktivt med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt, og for å låse opp resten av Python For Kids-kurset, kan du oppgradere til CoddyKit PRO. Kurset i Python For Kids inneholder totalt 5 leksjoner.

Hva lærer jeg i «Implementere logistisk regresjon»?

Bygge klassifiseringsmodeller i Python Du øver på Python For Kids 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 Python For Kids?

Ingen tidligere erfaring er nødvendig. Python For Kids 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 «Implementere 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 Python For Kids-leksjonen?

Ja. Alle Python For Kids-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

← Tilbake til Python For Kids