Python For Kids · บทเรียน

การใช้งานการถดถอยโลจิสติก

การสร้างแบบจำลองการจำแนกประเภทใน Python

บทเรียน 4 จาก 510 ขั้นตอน

การใช้งานการถดถอยโลจิสติก เป็นบทเรียน Python For Kids ฟรีบน CoddyKit นี่คือบทเรียนที่ 4 จากทั้งหมด 5 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน Python For Kids และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส Python For Kids มีบทเรียนทั้งหมด 5 บทเรียน

การนำ Logistic Regression ไปใช้งานในไพทอน

ในบทเรียนนี้ เราจะนำ Logistic Regression ไปใช้งานโดยใช้ไลบรารี scikit-learn เราจะทำงานกับชุดข้อมูลสำหรับการจำแนกประเภทแบบทวิภาค

การนำเข้าไลบรารีและชุดข้อมูล

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)

การสร้างแบบจำลอง Logistic Regression

ขั้นตอนที่ 2: การสร้างแบบจำลอง Logistic Regression

เราใช้คลาส LogisticRegression จาก scikit-learn เพื่อสร้างและฝึกแบบจำลอง

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

การสร้างการคาดการณ์

ขั้นตอนที่ 3: การสร้างการคาดการณ์

เมื่อฝึกแบบจำลองเสร็จแล้ว เราจะใช้แบบจำลองนั้นสร้างการคาดการณ์จากข้อมูลทดสอบ

y_pred = model.predict(X_test)

การประเมินแบบจำลอง

ขั้นตอนที่ 4: การประเมินแบบจำลอง

เราประเมินประสิทธิภาพของแบบจำลองโดยใช้ความแม่นยำเป็นตัวชี้วัด

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

การแสดงขอบเขตการตัดสินใจเป็นภาพ

ขั้นตอนที่ 5: การแสดงขอบเขตการตัดสินใจเป็นภาพ

เพื่อให้เข้าใจประสิทธิภาพของแบบจำลองได้ดียิ่งขึ้น เราจะแสดงขอบเขตการตัดสินใจเป็นภาพ

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)

การปรับแต่งแบบจำลอง

ขั้นตอนที่ 6: การปรับแต่งแบบจำลอง

เราสามารถปรับปรุงประสิทธิภาพของแบบจำลองได้โดยปรับไฮเปอร์พารามิเตอร์ เช่น C ซึ่งควบคุมระดับความเข้มของการทำให้เป็นระเบียบ

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

ความท้าทายของ Logistic Regression

ความท้าทายต่าง ๆ ได้แก่:

การจัดการชุดข้อมูลที่มีการกระจายของคลาสไม่สมดุล
การจัดการคุณลักษณะที่มีความสัมพันธ์กันสูง
การทำให้มีข้อมูลฝึกสอนเพียงพอสำหรับการทำนายที่มีประสิทธิภาพ

สรุปและขั้นตอนถัดไป

ในบทเรียนนี้ เราได้:

นำ Logistic Regression ไปใช้งานโดยใช้ scikit-learn
ทำการทำนายและประเมินแบบจำลอง
แสดงขอบเขตการตัดสินใจเป็นภาพ

ถัดไป เราจะสำรวจวิธีประเมินประสิทธิภาพของแบบจำลองโดยใช้ตัวชี้วัด เช่น คะแนน F1 ความแม่นยำ และอัตราการค้นคืน

การใช้งานการถดถอยโลจิสติก — ภาพประกอบ 10

เริ่มต้นได้ฟรี

เรียนรู้ Python ด้วย AI tutor — ฟรี

เขียนและเรียกใช้โค้ดจริงในเบราว์เซอร์ของคุณ รับความช่วยเหลือทันทีจาก AI tutor 24/7 และเรียนรู้ต่อจากที่คุณหยุดบนเว็บหรือในแอป

คอร์ส: 22
บทเรียน: 94

เริ่มเรียนฟรี ดูหลักสูตรเต็ม

คำถามที่พบบ่อย

บทเรียน “การใช้งานการถดถอยโลจิสติก” ฟรีหรือไม่

ใช่ — ข้อความเต็มของ “การใช้งานการถดถอยโลจิสติก” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส Python For Kids ให้อัปเกรดเป็น CoddyKit PRO คอร์ส Python For Kids มีบทเรียนทั้งหมด 5 บทเรียน

คุณจะเรียนรู้อะไรในบทเรียน “การใช้งานการถดถอยโลจิสติก”

การสร้างแบบจำลองการจำแนกประเภทใน Python คุณปฏิบัติ Python For Kids ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน

คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน Python For Kids หรือไม่

ไม่จำเป็นต้องมีประสบการณ์มาก่อน Python For Kids บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 4 จากทั้งหมด 5 บทเรียน

บทเรียน “การใช้งานการถดถอยโลจิสติก” ใช้เวลานานแค่ไหน

บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย

ฉันเขียนและรันโค้ดในบทเรียน Python For Kids นี้ได้ไหม

ได้ บทเรียน Python For Kids ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ

บทเรียนทั้งหมดในหลักสูตรนี้

← กลับไปที่ Python For Kids