In diesem Kapitel lernst du die Grundlagen, um logistische Regression und Support Vector Machines (SVMs) auf Klassifikationsprobleme anzuwenden. Du verwendest die Bibliothek <code>scikit-learn</code>, um Klassifikationsmodelle auf echte Daten zu fitten.

Auffrischung zu scikit-learn

KNN-Klassifikation

Modelle vergleichen

Overfitting

Logistische Regression und SVM anwenden

LogisticRegression und SVC ausführen

Sentiment-Analyse für Filmrezensionen

Lineare Klassifikatoren

Welche Entscheidungsgrenze ist linear?

Entscheidungsgrenzen visualisieren

In diesem Kapitel entdeckst du das konzeptionelle Fundament hinter logistischer Regression und SVMs. So kannst du tiefer in die Funktionsweise dieser Modelle eintauchen.

Lineare Klassifikatoren: die Koeffizienten

Wie Modelle Vorhersagen treffen

Die Modellkoeffizienten ändern

Was ist eine Loss-Funktion?

Der 0-1-Loss

Eine Loss-Funktion minimieren

Diagramme von Verlustfunktionen

Klassifikations-Loss-Funktionen

Logistic Loss und Hinge Loss vergleichen

Logistische Regression implementieren

Loss-Funktionen

In diesem Kapitel gehst du ins Detail der logistischen Regression. Du lernst alles über Regularisierung und wie du Modellergebnisse interpretierst.

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

Logistische Regression

In diesem Kapitel lernst du die Details von Support Vector Machines kennen. Du erfährst, wie du Hyperparameter für diese Modelle optimierst und mit Kerneln nichtlineare Entscheidungsgrenzen fitten kannst.

Support-Vektoren

Definition von Support-Vektoren

Auswirkung des Entfernens von Beispielen

Kernel-SVMs

GridSearchCV-Aufwärmen

Gemeinsames Tuning von gamma und C mit GridSearchCV

Logistische Regression und SVM vergleichen (und darüber hinaus)

Ein Vorteil von SVMs

Ein Vorteil der logistischen Regression

SGDClassifier verwenden

Fazit

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

Ein Vorteil der logistischen Regression

Interaktive praktische Übung