In this chapter you will learn the basics of applying logistic regression and support vector machines (SVMs) to classification problems. You'll use the <code>scikit-learn</code> library to fit classification models to real data.

scikit-learn refresher

KNN classification

Comparing models

Overfitting

Applying logistic regression and SVM

Running LogisticRegression and SVC

Sentiment analysis for movie reviews

Linear classifiers

Which decision boundary is linear?

Visualizing decision boundaries

In this chapter you will discover the conceptual framework behind logistic regression and SVMs. This will let you delve deeper into the inner workings of these models.

Linear classifiers: the coefficients

How models make predictions

Changing the model coefficients

What is a loss function?

The 0-1 loss

Minimizing a loss function

Loss function diagrams

Classification loss functions

Comparing the logistic and hinge losses

Implementing logistic regression

Loss functions

In this chapter you will delve into the details of logistic regression. You'll learn all about regularization and how to interpret model output.

Logistische Regression und Regularisierung

Regularisierte logistische Regression

Logistische Regression und Feature-Auswahl

Die positivsten und negativsten Wörter identifizieren

Logistische Regression und Wahrscheinlichkeiten

Klassenwahrscheinlichkeiten erhalten

Regularisierung und Wahrscheinlichkeiten

Einfache und schwierige Beispiele visualisieren

Logistische Regression mit mehreren Klassen

Koeffizienten zählen

Mehrklassen-Logistische Regression anpassen

Mehrklassige logistische Regression visualisieren

One-vs-rest SVM

Logistic regression

In this chapter you will learn all about the details of support vector machines. You'll learn about tuning hyperparameters for these models and using kernels to fit non-linear decision boundaries.

Support vectors

Support vector definition

Effect of removing examples

Kernel SVMs

GridSearchCV warm-up

Jointly tuning gamma and C with GridSearchCV

Comparing logistic regression and SVM (and beyond)

An advantage of SVMs

An advantage of logistic regression

Using SGDClassifier

Conclusion

Support Vector Machines

In diesem Kurs lernst du, wie du lineare Klassifikatoren – insbesondere logistische Regression und Support Vector Machines – mit scikit-learn einsetzt. Nachdem du die Anwendung dieser Methoden kennengelernt hast, tauchst du in die dahinterstehenden Konzepte ein und erfährst, was diese Verfahren im Kern ausmacht. Am Ende des Kurses weißt du, wie du diese linearen Klassifikatoren in Python trainierst, testest und optimierst. Außerdem verfügst du über ein konzeptionelles Fundament, um viele weitere Machine-Learning-Algorithmen zu verstehen.

Supervised Learning with scikit-learn

In diesem Kurs lernen Sie die Details von linearen Klassifikatoren wie logistische Regression und SVM.

Lineare Klassifikatoren in Python

In diesem Kurs lernst du die Details linearer Klassifikatoren wie logistische Regression und SVM kennen.

Wissenschaftler für maschinelles Lernen in Python

Überwachtes Machine Learning in Python

Koeffizienten zählen

Interaktive praktische Übung