V této kapitole se naučíš základy aplikace logistické regrese a support vector machines (SVM) na klasifikační úlohy. Pomocí knihovny <code>scikit-learn</code> budeš trénovat klasifikační modely na reálných datech.

Opakování scikit-learn

Klasifikace pomocí KNN

Porovnání modelů

Overfitting

Použití logistické regrese a SVM

Spuštění LogisticRegression a SVC

Analýza sentimentu filmových recenzí

Lineární klasifikátory

Která rozhodovací hranice je lineární?

Vizualizace rozhodovacích hranic

Logistická regrese a SVM v praxi

V této kapitole objevíš konceptuální základ logistické regrese a SVM. Díky tomu se budeš moci hlouběji ponořit do vnitřního fungování těchto modelů.

Lineární klasifikátory: koeficienty

Jak modely dělají předpovědi

Změna koeficientů modelu

Co je to ztrátová funkce?

Ztráta 0-1

Minimalizace ztrátové funkce

Diagramy ztrátových funkcí

Ztrátové funkce pro klasifikaci

Porovnání logistické ztráty a hinge loss

Implementace logistické regrese

Ztrátové funkce

V této kapitole se podrobně zaměříš na logistickou regresi. Dozvíš se vše o regularizaci a o tom, jak interpretovat výstup modelu.

Logistická regrese a regularizace

Regularizovaná logistická regrese

Logistická regrese a výběr příznaků

Hledání nejvíce pozitivních a negativních slov

Logistická regrese a pravděpodobnosti

Získávání pravděpodobností tříd

Regularizace a pravděpodobnosti

Vizualizace snadných a obtížných příkladů

Logistická regrese pro více tříd

Počítáme koeficienty

Trénování víceřídové logistické regrese

Vizualizace víceřídové logistické regrese

SVM jedna-proti-zbytku

Logistická regrese

V této kapitole se podrobně seznámíš se support vector machines. Naučíš se ladit hyperparametry těchto modelů a používat kernely pro aproximaci nelineárních rozhodovacích hranic.

Podpůrné vektory

Definice podpůrného vektoru

Vliv odebrání příkladů

Kernelové SVM

Rozcvička s GridSearchCV

Společné ladění gamma a C pomocí GridSearchCV

Porovnání logistické regrese a SVM (a co dál)

Výhoda SVM

Výhoda logistické regrese

Použití SGDClassifier

Závěr

Support Vector Machines

V tomto kurzu se naučíš vše o lineárních klasifikátorech – konkrétně o logistické regresi a support vector machines – s využitím scikit-learn. Až zvládneš tyto metody v praxi, ponoříš se do myšlenek za nimi a zjistíš, jak skutečně fungují. Na konci kurzu budeš umět trénovat, testovat a ladit tyto lineární klasifikátory v Pythonu. Získáš také pevný základ pro pochopení mnoha dalších algoritmů strojového učení.

Supervised Learning with scikit-learn

V tomto kurzu se naučíte podrobnosti o lineárních klasifikátorech jako logistická regrese a SVM.

Linear Classifiers in Python

V tomto kurzu se naučíte podrobnosti lineárních klasifikátorů, jako jsou logistická regrese a SVM.

Vědec v oblasti strojového učení v Pythonu

Řízené strojové učení v Pythonu

Která rozhodovací hranice je lineární?

Linear Classifiers in Python

Interaktivní praktické cvičení