Hjem Personlig finansiering Hvordan man opretter en overordnet læringsmodel med logistisk regression - dummier

Hvordan man opretter en overordnet læringsmodel med logistisk regression - dummier

Indholdsfortegnelse:

Video: The Third Industrial Revolution: A Radical New Sharing Economy 2025

Video: The Third Industrial Revolution: A Radical New Sharing Economy 2025
Anonim

Efter at du har opbygget din første klassifikation forudsigende model til analyse af dataene, skaber flere modeller som det en rigtig ligetil opgave i scikit. Den eneste reelle forskel fra den ene model til den næste er, at du måske må afstemme parametrene fra algoritme til algoritme.

Sådan indlæser du dine data

Denne kodeoversigt ilægger irisdatasættet i din session: >>>> fra sklearn. datasæt import load_iris >>> iris = load_iris ()

Sådan opretter du en forekomst af klassifikatoren

Følgende to linjer kode opretter en forekomst af klassifikatoren. Den første linje importerer logistikregressionsbiblioteket. Den anden linje skaber en forekomst af den logistiske regressionsalgoritme. >>>> fra sklearn import linear_model >>> logClassifier = linear_model. LogistiskRegression (C = 1, random_state = 111)

Bemærk parameteren (reguleringsparameter) i konstruktøren.

regulariseringsparameter

bruges til at forhindre overfitting. Parameteren er ikke strengt nødvendigt (konstruktøren vil fungere fint uden den, fordi den vil default til C = 1). Oprettelse af en logistisk regressions klassifikator ved hjælp af C = 150 skaber et bedre billede af beslutningens overflade. Du kan se begge punkter nedenfor.

Sådan kører du træningsdataene

Du skal opdele datasættet i trænings- og testsæt, før du kan oprette en forekomst af logistisk regressions klassifikator. Følgende kode vil udføre denne opgave: >>>> fra sklearn import cross_validation >>> X_train, X_test, y_train, y_test = cross_validation. train_test_split (iris. data, iris. target, test_size = 0. 10, random_state = 111) >>> logClassifier. fit (X_train, y_train)

Linje 1 importerer biblioteket, som giver dig mulighed for at opdele datasættet i to dele.

Linje 2 kalder funktionen fra biblioteket, der opdeler datasættet i to dele og tildeler de nu opdelte datasæt til to par variabler.

Linje 3 tager forekomsten af ​​den logistiske regressionsklassificator, du lige har oprettet, og kalder tilpasningsmetoden til at træne modellen med træningsdatasættet.

Sådan visualiserer du klassifikatoren

Når man ser på beslutningsoverfladen på plottet, ser det ud til, at nogle afstemninger skal gøres. Hvis du ser tæt på midten af ​​plottet, kan du se, at mange af de datapunkter, der tilhører det midterste område (Versicolor) ligger i området til højre side (Virginica).

Dette billede viser beslutningsoverfladen med en C-værdi på 150. Den ser visuelt bedre ud, så det er passende at vælge at bruge denne indstilling til din logistiske regressionsmodel.

Sådan køres testdataene

I den følgende kode indtaster første linje testdatasættet til modellen, og den tredje linje viser output: >>>> forudsagt = logClassifier. forudsige (X_test) >>> predictedarray ([0, 0, 2, 2, 1, 0, 0, 2, 2, 1, 2, 0, 2, 2, 2])

Hvordan evaluere modellen < Du kan krydshenvise output fra forudsigelsen mod y_test array. Som et resultat kan du se, at det forudsagde alle testdatapunkterne korrekt. Her er koden: >>>> fra sklearn importmålinger >>> predictedarray ([0, 0, 2, 2, 1, 0, 0, 2, 2, 1, 2, 0, 2, 2, 2]) >>> y_testarray ([0, 0, 2, 2, 1, 0, 0, 2, 2, 1, 2, 0, 2, 2, 2]) >>> målinger. accuracy_score (y_test, forudsagt) 1. 0 # 1. 0 er 100 procent nøjagtighed >>> forudsagt == y_testarray ([True, True, True, True, True, True, True, True, True, True, True, True, True, True, True] = bool)

Så sammenligner den logistiske regressionsmodel med parameter C = 150 det? Nå, du kan ikke slå 100 procent. Her er koden til at oprette og evaluere den logistiske klassifikator med C = 150: >>>> logClassifier_2 = linear_model. LogistiskRegression (C = 150, random_state = 111) >>> logClassifier_2. fit (X_train, y_train) >>> forudsagt = logClassifier_2. forudsige (X_test) >>> målinger. accuracy_score (y_test, forudsagt) 0. 93333333333333335 >>> metrics. Confusion_matrix (y_test, forudsagt) array ([[5, 0, 0], [0, 2, 0], [0, 1, 7]])

Vi forventede bedre, men det var faktisk værre. Der var en fejl i forudsigelserne. Resultatet er det samme som for Support Vector Machine (SVM) modellen.

Her er den fulde liste over koden til at oprette og evaluere en logistisk regressionsklassifikationsmodel med standardparametrene: >>>> fra sklearn. datasæt import load_iris >>> fra sklearn import linear_model >>> fra sklearn import cross_validation >>> fra sklearn import målinger >>> iris = load_iris () >>> X_train, X_test, y_train, y_test = cross_validation. train_test_split (iris. data, iris. target, test_size = 0. 10, random_state = 111) >>> logClassifier = linear_model. LogisticRegression (, random_state = 111) >>> logClassifier. fit (X_train, y_train) >>> forudsagt = logClassifier. forudsige (X_test) >>> predictedarray ([0, 0, 2, 2, 1, 0, 0, 2, 2, 1, 2, 0, 2, 2, 2]) >>> y_testarray ([0, 0, 2, 2, 1, 0, 0, 2, 2, 1, 2, 0, 2, 2, 2]) >>> metrics. accuracy_score (y_test, forudsagt) 1. 0 # 1. 0 er 100 procent nøjagtighed >>> forudsagt == y_testarray ([True, True, True, True, True, True, True, True, True, True, True, True, True, True, True] = bool)
Hvordan man opretter en overordnet læringsmodel med logistisk regression - dummier

Valg af editor

Middelhavsret Opskrifter: Kretiske Kyllingretter - Dummies

Middelhavsret Opskrifter: Kretiske Kyllingretter - Dummies

Grillning og braising er de mest populære måder at lave mad kød på Kreta; kombineret med friske urter og krydderier og traditionelle fødevarer som yoghurt, ost og oliven, skaber disse teknikker kyllingevarer med en masse smag. Sautéed Kyllingebryst i Rødvin Tomat Sauce Forberedelsestid: 10 minutter Kogetid: 45 minutter ...

Middelhavs kost Opskrifter: Pasta med kød - dummies

Middelhavs kost Opskrifter: Pasta med kød - dummies

En fantastisk måde at lave en one-pot Middelhavet måltid er at tilføje nogle slags kød, såsom kylling, svinekød eller oksekød, til din pasta. Tilsæt nogle grøntsager og en frisk sovs, og du har et komplet måltid. Brug af kød er en god måde at tilføje mere volumen til din pasta, så du ikke gør det.

Middelhavs Diet Opskrifter: Entree Salater - Dummies

Middelhavs Diet Opskrifter: Entree Salater - Dummies

Selvom entree salat er mere populært i USA og Canada, kan du stadig skabe et middelhavs-inspireret måltid ved at kombinere friske råvarer med proteinkilder som laks eller kylling. Entree salater er også et godt sommermåltid for at fejre de fødevarer, der er i sæson. Grillet laks med karameliserede løg over blandede grønne ...

Valg af editor

Opret en samlingsklasse i Java-dummier

Opret en samlingsklasse i Java-dummier

En samlingsklasse i Java-kode er en klasse, hvis job skal opbevares en flok objekter ad gangen - en flok stringsobjekter, en flok BagOfCheese objekter, en flok tweets eller hvad som helst. Du kan oprette en samlingsklasse med denne kode. pakke com. allmycode. samlinger; importer java. util. ArrayList; offentlig klasse SimpleCollectionsDemo {...

Lav en abstrakt klasse i Java-dummier

Lav en abstrakt klasse i Java-dummier

En abstrakt klasse i Java er en klasse, der indeholder en eller flere abstrakte metoder, der simpelthen er metoden deklarationer uden en krop - det vil sige uden eksekverbar kode, der gennemfører klassen eller metoden. En abstrakt metode er som en prototype til en metode, der erklærer metodeens returtype og parameterliste, men ikke ...

Hvordan man skaber tegnfelter i Java - dummier

Hvordan man skaber tegnfelter i Java - dummier

Her lærer du hvordan du kan bruge en char variabel snarere end et helt tal i en Java-switch statement. Når du bruger en karetype, er det almindeligt at give to på hinanden følgende case-konstanter for hver case-gruppe, for at tillade både små og store bogstaver. Antag at du skal indstille kommissionsrenten for ...

Valg af editor

Koordinering mellem IT og Cloud Provider Service Desks - dummies

Koordinering mellem IT og Cloud Provider Service Desks - dummies

I et cloud computing miljø, skal du effektivt styre koordinationen er nødvendig mellem din virksomhed IT og cloud udbyder service skrivebord. Dine interne kunder er nødt til at stole på, at it-tjenester leveres som forventet, og spørgsmål vil blive rettet hurtigt. Din organisation skal overvåge hele miljøet baseret på servicekrav til din ...

Opbygge din Hybrid Cloud Service Management Plan - dummies

Opbygge din Hybrid Cloud Service Management Plan - dummies

Et vigtigt krav til hybrid cloud service management er at lave en plan på plads, hvilket indebærer at forstå, hvilke cloud services du introducerer i din virksomhed, og hvordan de skal interagere med dine data center aktiver. Nu skal du træffe beslutsomhed om hvilke tjenester du skal kontrollere, fordi de kan påvirke ...

Fordele ved en serviceorienteret tilgang i Cloud Computing - dummies

Fordele ved en serviceorienteret tilgang i Cloud Computing - dummies

Den stigende vedtagelse af hybrid sky Miljøer kan være direkte forbundet med den succes, virksomhederne har gjort i at flytte til en serviceorienteret tilgang til it. Serviceorientering er en måde at modulere vigtige forretningstjenester på og etablere veldefinerede grænseflader designet til at sikre, at disse tjenester fungerer i mange forskellige situationer. Dette tiltag til service ...