CommencezCommencez gratuitement

Régression logistique vs arbre de classification

Un arbre de classification divise l'espace des caractéristiques en régions rectangulaires. À l'inverse, un modèle linéaire comme la régression logistique produit une seule frontière de décision linéaire qui sépare l'espace des caractéristiques en deux régions de décision.

Nous avons écrit une fonction personnalisée appelée plot_labeled_decision_regions() que vous pouvez utiliser pour tracer les régions de décision d'une liste contenant deux classificateurs entraînés. Vous pouvez taper help(plot_labeled_decision_regions) dans le terminal pour en savoir plus sur cette fonction.

X_train, X_test, y_train, y_test, le modèle dt que vous avez entraîné dans un exercice précédent, ainsi que la fonction plot_labeled_decision_regions() sont disponibles dans votre espace de travail.

Cette activité fait partie du cours

Machine Learning avec des modèles à base d'arbres en Python

Voir le cours

Instructions de l’exercice

  • Importez LogisticRegression depuis sklearn.linear_model.

  • Instanciez un modèle LogisticRegression et assignez-le à logreg.

  • Ajustez logreg à l'ensemble d'entraînement.

  • Examinez le graphique généré par plot_labeled_decision_regions().

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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)
Modifier et exécuter le code