การใช้งานการถดถอยโลจิสติก

ในบทเรียนนี้ เราจะนำการถดถอยโลจิสติกไปใช้งานโดยใช้ไลบรารี ไซคิต-เลิร์น เราจะทำงานกับชุดข้อมูลสำหรับการจำแนกประเภทแบบทวิภาค

ขั้นตอนที่ 1: การนำเข้าไลบรารีและชุดข้อมูล

เราจะเริ่มด้วยการนำเข้าไลบรารีที่จำเป็นและโหลดชุดข้อมูล เพื่อความเรียบง่าย เราจะใช้ make_classification ของ scikit-learn เพื่อสร้างชุดข้อมูลสำหรับการจำแนกประเภทแบบทวิภาค

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)

ขั้นตอนที่ 2: การสร้างแบบจำลองการถดถอยโลจิสติก

เราใช้คลาส LogisticRegression ของ scikit-learn เพื่อสร้างและฝึกแบบจำลอง

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

ขั้นตอนที่ 3: การสร้างคำทำนาย

เมื่อฝึกแบบจำลองแล้ว เราจะใช้แบบจำลองนั้นสร้างคำทำนายจากข้อมูลทดสอบ

y_pred = model.predict(X_test)

ขั้นตอนที่ 4: การประเมินแบบจำลอง

เราประเมินประสิทธิภาพของแบบจำลองโดยใช้ความถูกต้องเป็นตัวชี้วัด

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

ขั้นตอนที่ 5: การแสดงภาพขอบเขตการตัดสินใจ

เพื่อให้เข้าใจประสิทธิภาพของแบบจำลองได้ดียิ่งขึ้น เราจะแสดงภาพขอบเขตการตัดสินใจ

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)

ขั้นตอนที่ 6: การปรับแต่งแบบจำลอง

เราสามารถปรับปรุงประสิทธิภาพของแบบจำลองได้ด้วยการปรับไฮเปอร์พารามิเตอร์ เช่น C ซึ่งควบคุมความเข้มของการทำให้เป็นระเบียบ

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

ความท้าทาย ได้แก่:

• การจัดการชุดข้อมูลที่ไม่สมดุล
• การจัดการคุณลักษณะที่มีความสัมพันธ์กันสูง
• การตรวจสอบให้แน่ใจว่ามีข้อมูลฝึกเพียงพอสำหรับการทำนายที่มีประสิทธิภาพ

ในบทเรียนนี้ เราได้:

• นำการถดถอยโลจิสติกไปใช้งานโดยใช้ scikit-learn
• ทำการทำนายและประเมินแบบจำลอง
• แสดงภาพขอบเขตการตัดสินใจ

ถัดไป เราจะสำรวจวิธีประเมินประสิทธิภาพของแบบจำลองโดยใช้ตัวชี้วัด เช่น F1 score ความแม่นยำ และความครอบคลุม