1. Apprendre
    2. /
  2. Cours
    3. /
  3. Machine Learning avec des modèles à base d'arbres en Python
Connected

Exercice

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.

Instructions

100 XP

  • 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().