Logistische regressie implementeren

Stap 2: Het model voor logistische regressie maken

We gebruiken de klasse LogisticRegression van scikit-learn om het model te maken en te trainen.

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

Stap 3: Voorspellingen doen

Zodra het model is getraind, gebruiken we het om voorspellingen te doen met de toetsgegevens.

y_pred = model.predict(X_test)

Stap 4: Het model evalueren

We evalueren de prestaties van het model met nauwkeurigheid als maatstaf.

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

Stap 5: Beslissingsgrenzen visualiseren

Om de prestaties van het model beter te begrijpen, visualiseren we de beslissingsgrenzen.

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)

Stap 6: Het model afstemmen

We kunnen de prestaties van het model verbeteren door hyperparameters zoals C aan te passen. Deze parameter bepaalt de sterkte van de regularisatie.

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

Uitdagingen zijn onder andere:

• Het afhandelen van onevenwichtige gegevenssets.
• Omgaan met sterk gecorreleerde kenmerken.
• Zorgen voor voldoende trainingsgegevens voor doeltreffende voorspellingen.

In deze les hebben we:

• Logistische regressie geïmplementeerd met scikit-learn.
• Voorspellingen gedaan en het model geëvalueerd.
• Beslissingsgrenzen gevisualiseerd.

Vervolgens bekijken we hoe je de prestaties van een model evalueert met maatstaven zoals de F1-score, precisie en volledigheid.