Logistická regrese vs. klasifikační strom

Klasifikační strom rozděluje prostor příznaků do obdélníkových oblastí. Naproti tomu lineární model, jako je logistická regrese, vytváří jedinou lineární rozhodovací hranici, která prostor příznaků rozdělí na dvě rozhodovací oblasti.

Připravili jsme pro tebe vlastní funkci plot_labeled_decision_regions(), pomocí které můžeš vizualizovat rozhodovací oblasti seznamu obsahujícího dva natrénované klasifikátory. Více o této funkci zjistíš zadáním help(plot_labeled_decision_regions) do shellu.

V pracovním prostředí máš k dispozici X_train, X_test, y_train, y_test, model dt natrénovaný v předchozím cvičení a také funkci plot_labeled_decision_regions().

Toto cvičení je součástí kurzu

Machine Learning with Tree-Based Models in Python

Zobrazit kurz

Pokyny k cvičení

Importuj LogisticRegression z sklearn.linear_model.
Vytvoř instanci modelu LogisticRegression a přiřaď ji do proměnné logreg.
Natrénuj logreg na trénovací sadě.
Prohlédni si graf vygenerovaný funkcí plot_labeled_decision_regions().

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import LogisticRegression from sklearn.linear_model
from ____.____ import  ____

# Instatiate logreg
____ = ____(random_state=1)

# Fit logreg to the training set
____.____(____, ____)

# Define a list called clfs containing the two classifiers logreg and dt
clfs = [logreg, dt]

# Review the decision regions of the two classifiers
plot_labeled_decision_regions(X_test, y_test, clfs)

Upravit a spustit kód