Logistische Regression vs. Klassifikationsbaum

Ein Klassifikationsbaum unterteilt den Merkmalsraum in rechteckige Regionen. Im Gegensatz dazu erzeugt ein lineares Modell wie die Logistische Regression nur eine einzelne lineare Entscheidungsgrenze, die den Merkmalsraum in zwei Entscheidungsbereiche teilt.

Wir haben eine benutzerdefinierte Funktion namens plot_labeled_decision_regions() geschrieben, mit der du die Entscheidungsbereiche einer Liste mit zwei trainierten Klassifikatoren visualisieren kannst. Du kannst help(plot_labeled_decision_regions) in der Shell eingeben, um mehr über diese Funktion zu erfahren.

X_train, X_test, y_train, y_test, das Modell dt, das du in einer früheren Übung trainiert hast, sowie die Funktion plot_labeled_decision_regions() stehen dir in deinem Workspace zur Verfügung.

Diese Übung ist Teil des Kurses

Maschinelles Lernen mit baumbasierten Modellen in Python

Anleitung zur Übung

Importiere LogisticRegression aus sklearn.linear_model.
Instanziiere ein LogisticRegression-Modell und weise es logreg zu.
Fitte logreg auf den Trainingssatz.
Sieh dir die durch plot_labeled_decision_regions() erzeugte Grafik an.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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)

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Maschinelles Lernen mit baumbasierten Modellen in Python

Mittlere SchwierigkeitSchwierigkeitsgrad

4.9+

Kurs kostenlos starten

Classification and Regression Trees (CART) sind eine Gruppe überwachter Lernmodelle für Klassifikations- und Regressionsaufgaben. In diesem Kapitel lernst du den CART-Algorithmus kennen.

Exercise 1: Entscheidungsbaum für Klassifikation Exercise 2: Trainiere deinen ersten Klassifikationsbaum Exercise 3: Den Klassifikationsbaum auswerten Exercise 4: Logistische Regression vs. Klassifikationsbaum

Aktuelle Übung

Exercise 5: Lernen von Klassifikationsbäumen Exercise 6: Einen Klassifikationsbaum wachsen lassen Exercise 7: Entropie als Kriterium verwenden Exercise 8: Entropie vs. Gini-Index Exercise 9: Entscheidungsbaum für Regression Exercise 10: Trainiere deinen ersten Regressionsbaum Exercise 11: Bewerte den Regressionsbaum Exercise 12: Lineare Regression vs. Regressionsbaum

Der Bias-Variance-Trade-off gehört zu den Grundkonzepten des überwachten maschinellen Lernens. In diesem Kapitel lernst du, Overfitting und Underfitting zu erkennen. Außerdem lernst du das Konzept des Ensembling kennen, bei dem die Vorhersagen mehrerer Modelle aggregiert werden, um robustere Prognosen zu erzeugen.

Exercise 1: Generalisierungsfehler Exercise 2: Komplexität, Bias und Varianz Exercise 3: Overfitting und Underfitting Exercise 4: Bias- und Varianzprobleme diagnostizieren Exercise 5: Modell instanziieren Exercise 6: Bewerte den 10-fach-CV-Fehler Exercise 7: Trainingsfehler auswerten Exercise 8: Hohes Bias oder hohe Varianz?Exercise 9: Ensemble Learning Exercise 10: Das Ensemble definieren Exercise 11: Einzelne Klassifikatoren bewerten Exercise 12: Bessere Leistung mit einem Voting Classifier

Bagging ist eine Ensemble-Methode, bei der derselbe Algorithmus vielfach auf unterschiedlichen, aus den Trainingsdaten gezogenen Teilmengen trainiert wird. In diesem Kapitel erfährst du, wie sich mit Bagging ein Baum-Ensemble aufbauen lässt. Du lernst außerdem, wie der Random-Forests-Algorithmus durch zusätzliche Randomisierung bei jeder Aufteilung in den Bäumen des Ensembles noch mehr Vielfalt schafft.

Exercise 1: Bagging Exercise 2: Den Bagging-Classifier definieren Exercise 3: Leistung von Bagging auswerten Exercise 4: Out-of-Bag-Auswertung Exercise 5: Bereite den Boden vor Exercise 6: OOB-Score vs. Testsatz-Score Exercise 7: Random Forests (RF)Exercise 8: Einen RF-Regressor trainieren Exercise 9: Den RF-Regressor evaluieren Exercise 10: Feature-Wichtigkeiten visualisieren

Boosting bezeichnet eine Ensemble-Methode, bei der mehrere Modelle nacheinander trainiert werden, wobei jedes Modell aus den Fehlern seiner Vorgänger lernt. In diesem Kapitel lernst du die beiden Boosting-Methoden AdaBoost und Gradient Boosting kennen.

Exercise 1: Adaboost Exercise 2: Den AdaBoost-Klassifikator definieren Exercise 3: Den AdaBoost-Klassifikator trainieren Exercise 4: Den AdaBoost-Klassifikator auswerten Exercise 5: Gradient Boosting (GB)Exercise 6: Definiere den GB-Regressor Exercise 7: Den GB-Regressor trainieren Exercise 8: Den GB-Regressor evaluieren Exercise 9: Stochastic Gradient Boosting (SGB)Exercise 10: Regression mit SGB Exercise 11: Den SGB-Regressor trainieren Exercise 12: Bewerte den SGB-Regressor

Die Hyperparameter eines Machine-Learning-Modells sind Parameter, die nicht aus Daten gelernt werden. Sie werden vor dem Fitten des Modells auf den Trainingssatz festgelegt. In diesem Kapitel lernst du, wie du die Hyperparameter eines baumbasierten Modells mithilfe von Grid-Search-Cross-Validation abstimmst.

Exercise 1: Hyperparameter eines CART abstimmen Exercise 2: Baum-Hyperparameter Exercise 3: Lege das Hyperparameter-Grid des Baums fest Exercise 4: Suche nach dem optimalen Baum Exercise 5: Den optimalen Baum auswerten Exercise 6: Hyperparameter eines RF abstimmen Exercise 7: Random-Forest-Hyperparameter Exercise 8: Lege das Hyperparameter-Grid des RF fest Exercise 9: Suche nach dem optimalen Forest Exercise 10: Den optimalen Forest auswerten Exercise 11: Glückwunsch!