Régression logistique régularisée
Au chapitre 1, vous avez utilisé la régression logistique sur l'ensemble de données de chiffres manuscrits. Ici, nous allons explorer l'effet de la régularisation L2.
L'ensemble de données de chiffres manuscrits est déjà chargé, séparé et stocké dans les variables X_train, y_train, X_valid et y_valid. Les variables train_errs et valid_errs sont déjà initialisées comme des listes vides.
Cette activité fait partie du cours
Classificateurs linéaires en Python
Instructions de l’exercice
- Parcourez les différentes valeurs de
C_value, en créant et en ajustant un modèleLogisticRegressionà chaque itération. - Enregistrez l'erreur sur l'ensemble d'entraînement et sur l'ensemble de validation pour chaque modèle.
- Créez un graphique des erreurs d'entraînement et de test en fonction du paramètre de régularisation
C. - En regardant le graphique, quelle est la meilleure valeur de
C?
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Train and validaton errors initialized as empty list
train_errs = list()
valid_errs = list()
# Loop over values of C_value
for C_value in [0.001, 0.01, 0.1, 1, 10, 100, 1000]:
# Create LogisticRegression object and fit
lr = ____
lr.fit(____)
# Evaluate error rates and append to lists
train_errs.append( 1.0 - lr.score(____) )
valid_errs.append( 1.0 - lr.score(____) )
# Plot results
plt.semilogx(C_values, train_errs, C_values, valid_errs)
plt.legend(("train", "validation"))
plt.show()