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.

actualización de scikit-learn

KNN clasificación

Comparación de modelos

Sobreajuste

Aplicación de la regresión logística y SVM

Ejecución de LogisticRegression y SVC

Análisis del sentimiento en las críticas de cine

Clasificadores lineales

¿Qué límite de decisión es lineal?

Visualización de los límites de decisión

Applying logistic regression and SVM

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.

Logistic regression and regularization

Regularized logistic regression

Logistic regression and feature selection

Identifying the most positive and negative words

Logistic regression and probabilities

Getting class probabilities

Regularization and probabilities

Visualizing easy and difficult examples

Multi-class logistic regression

Counting the coefficients

Fitting multi-class logistic regression

Visualizing multi-class logistic regression

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

En este curso aprenderás todo sobre el uso de clasificadores lineales, específicamente regresión logística y máquinas de vectores soporte, con scikit-learn. Una vez que haya aprendido a aplicar estos métodos, se sumergirá en las ideas que los sustentan y descubrirá lo que realmente los hace funcionar. Al final de este curso sabrá cómo entrenar, probar y ajustar estos clasificadores lineales en Python. También tendrá una base conceptual para comprender muchos otros algoritmos de aprendizaje automático.

Supervised Learning with scikit-learn

En este curso aprenderás los detalles de clasificadores lineales como la regresión logística y SVM.

Clasificadores lineales en Python

En este curso aprenderás los detalles de los clasificadores lineales como la regresión logística y la SVM.

Científico especializado en machine learning en Python

Aprendizaje automático supervisado en Python

Sobreajuste

Clasificadores lineales en Python

ejercicio interactivo práctico