Dans ce chapitre, vous apprendrez les bases de l’application de la régression logistique et des machines à vecteurs de support (SVM) à des problèmes de classification. Vous utiliserez la bibliothèque <code>scikit-learn</code> pour ajuster des modèles de classification sur des données réelles.

Rappel sur scikit-learn

Classification KNN

Comparer des modèles

Surapprentissage

Appliquer la régression logistique et les SVM

Exécuter LogisticRegression et SVC

Analyse de sentiment pour des critiques de films

Classifieurs linéaires

Quelle frontière de décision est linéaire ?

Visualiser les frontières de décision

Dans ce chapitre, vous découvrirez le cadre conceptuel qui sous-tend la régression logistique et les SVM. Cela vous permettra d’approfondir leur fonctionnement interne.

Classificateurs linéaires : les coefficients

Comment les modèles font des prédictions

Modifier les coefficients du modèle

Qu’est-ce qu’une fonction de perte ?

La perte 0-1

Minimiser une fonction de perte

Schémas des fonctions de perte

Fonctions de perte pour la classification

Comparer les pertes logistique et hinge

Implémenter une régression logistique

Fonctions de perte

Dans ce chapitre, vous étudierez en détail la régression logistique. Vous apprendrez tout sur la régularisation et comment interpréter la sortie du modèle.

Régression logistique et régularisation

Régression logistique régularisée

Régression logistique et sélection de variables

Identifier les mots les plus positifs et les plus négatifs

Régression logistique et probabilités

Obtenir des probabilités de classe

Régularisation et probabilités

Visualiser des exemples faciles et difficiles

Régression logistique multiclasse

Compter les coefficients

Ajuster une régression logistique multi-classe

Visualiser la régression logistique multi-classes

SVM un-contre-tous

Régression logistique

Dans ce chapitre, vous verrez en détail les machines à vecteurs de support. Vous apprendrez à régler les hyperparamètres de ces modèles et à utiliser des noyaux pour ajuster des frontières de décision non linéaires.

Vecteurs de support

Définition d’un vecteur de support

Effet du retrait d’exemples

SVM à noyau

Mise en route avec GridSearchCV

Ajuster conjointement gamma et C avec GridSearchCV

Comparer la régression logistique et les SVM (et au-delà)

Un avantage des SVM

Un avantage de la régression logistique

Utiliser SGDClassifier

Conclusion

Machines à vecteurs de support

Dans ce cours, vous allez apprendre à utiliser des classifieurs linéaires, en particulier la régression logistique et les machines à vecteurs de support (SVM), avec scikit-learn. Une fois que vous saurez appliquer ces méthodes, vous explorerez les idées qui les sous-tendent pour comprendre ce qui les fait réellement fonctionner. À la fin du cours, vous saurez entraîner, tester et ajuster ces classifieurs linéaires en Python. Vous disposerez aussi d’une base conceptuelle pour comprendre de nombreux autres algorithmes de Machine Learning.

Supervised Learning with scikit-learn

Dans ce cours, vous apprendrez les détails des classificateurs linéaires comme la régression logistique et SVM.

Classifieurs linéaires en Python

Dans ce cours, vous apprendrez les détails des classificateurs linéaires tels que la régression logistique et les SVM.

Chercheur en apprentissage automatique en Python

Apprentissage automatique supervisé en Python

Quelle frontière de décision est linéaire ?

Classifieurs linéaires en Python

Exercice interactif pratique