1. Aprende
    2. /
  2. Cursos
    3. /
  3. Clasificadores lineales en Python
  • 1

    Aplicación de la regresión logística y SVM

    Gratuito

    En este capítulo aprenderá los fundamentos de la aplicación de la regresión logística y las máquinas de vectores soporte (SVMs) a los problemas de clasificación. Utilizará la biblioteca scikit-learn para ajustar modelos de clasificación a datos reales.

  • 2

    Funciones de pérdida

    En este capítulo descubrirá el marco conceptual de la regresión logística y SVMs. Esto le permitirá profundizar en el funcionamiento interno de estos modelos.

  • 3

    Regresión logística

    En este capítulo profundizará en los detalles de la regresión logística. Aprenderá todo sobre la regularización y cómo interpretar los resultados del modelo.

  • 4

    Máquinas de vectores soporte

    En este capítulo aprenderás todos los detalles de las máquinas de vectores soporte. Aprenderá a ajustar los hiperparámetros de estos modelos y a utilizar núcleos para ajustar límites de decisión no lineales.

Initializing

Ejercicio

Identificar las palabras más positivas y negativas

En este ejercicio intentaremos interpretar los coeficientes de una regresión logística ajustada al conjunto de datos de opiniones sobre películas. El objeto modelo ya está instanciado y ajustado para usted en la variable lr.

Además, las palabras correspondientes a las distintas características se cargan en la variable vocab. Por ejemplo, como vocab[100] es "pensar", eso significa que el rasgo 100 corresponde al número de veces que la palabra "pensar" apareció en esa crítica de cine.

Instrucciones

100 XP
  • Encuentra las palabras correspondientes a los 5 coeficientes mayores.
  • Encuentra las palabras correspondientes a los 5 coeficientes más pequeños.