LoslegenKostenlos loslegen

Logistische Regression vs. Klassifikationsbaum

Ein Klassifikationsbaum teilt 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 Entscheidungsregionen unterteilt.

Wir haben eine benutzerdefinierte Funktion namens plot_labeled_decision_regions() geschrieben, mit der du die Entscheidungsregionen einer Liste mit zwei trainierten Klassifizierern plotten kannst. Du kannst help(plot_labeled_decision_regions) in die 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

Kurs anzeigen

Anleitung zur Übung

  • Importiere LogisticRegression aus sklearn.linear_model.

  • Instanziiere ein LogisticRegression-Modell und weise es logreg zu.

  • Fitte logreg auf den Trainingsdaten.

  • Sieh dir die von 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