Реализация логистической регрессии на Питоне

В этом уроке мы реализуем логистическую регрессию с помощью библиотеки scikit-learn. Мы будем работать с набором данных для бинарной классификации.

Шаг 1: Импорт библиотек и набора данных

Начнём с импорта необходимых библиотек и загрузки набора данных. Для простоты воспользуемся функцией make_classification из библиотеки scikit-learn, чтобы создать набор данных для бинарной классификации.

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)

Шаг 2: Создание модели логистической регрессии

Мы используем класс LogisticRegression из библиотеки scikit-learn, чтобы создать и обучить модель.

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

Шаг 3: Построение прогнозов

После обучения модели мы используем её для построения прогнозов на данных для проверки.

y_pred = model.predict(X_test)

Шаг 4: Оценка модели

Мы оцениваем эффективность модели с помощью доли правильных ответов в качестве метрики.

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

Шаг 5: Визуализация границ решений

Чтобы лучше понять эффективность модели, мы визуализируем границы решений.

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)

Шаг 6: Настройка модели

Мы можем повысить эффективность модели, изменяя гиперпараметры, например C, который управляет силой регуляризации.

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

Сложности логистической регрессии

К таким сложностям относятся:

• Работа с несбалансированными наборами данных.
• Работа с сильно коррелированными признаками.
• Обеспечение достаточного объёма обучающих данных для эффективного прогнозирования.

Итоги и дальнейшие шаги

В этом уроке мы:

• Реализовали логистическую регрессию с помощью scikit-learn.
• Построили прогнозы и оценили модель.
• Визуализировали границы решений.

Далее мы рассмотрим оценку эффективности модели с помощью таких метрик, как F1-мера, точность и полнота.