ComenzarEmpieza gratis

Regresión logística frente a árbol de clasificación

Un árbol de clasificación divide el espacio de características en regiones rectangulares. En cambio, un modelo lineal como la regresión logística solo produce un único límite de decisión lineal que divide el espacio de características en dos regiones de decisión.

Hemos escrito una función personalizada llamada plot_labeled_decision_regions() que puedes utilizar para trazar las regiones de decisión de una lista que contenga dos clasificadores entrenados. Puedes escribir help(plot_labeled_decision_regions) en el terminal para saber más sobre esta función.

X_train, X_test, y_train, y_test, el modelo dt que has entrenado en un ejercicio anterior, así como la función plot_labeled_decision_regions() están disponibles en tu espacio de trabajo.

Este ejercicio forma parte del curso

Machine learning con modelos basados en árboles en Python

Ver curso

Instrucciones del ejercicio

  • Importa LogisticRegression desde sklearn.linear_model.

  • Instancia un modelo LogisticRegression y asígnalo a logreg.

  • Ajusta logreg al conjunto de entrenamiento.

  • Revisa la trama generada por plot_labeled_decision_regions().

Ejercicio interactivo práctico

Prueba este ejercicio completando el código de muestra.

# 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)
Editar y ejecutar código