In this chapter you will learn the basics of applying logistic regression and support vector machines (SVMs) to classification problems. You'll use the <code>scikit-learn</code> library to fit classification models to real data.

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

Applying logistic regression and SVM

In this chapter you will discover the conceptual framework behind logistic regression and SVMs. This will let you delve deeper into the inner workings of these models.

Linear classifiers: the coefficients

How models make predictions

Changing the model coefficients

What is a loss function?

The 0-1 loss

Minimizing a loss function

Loss function diagrams

Classification loss functions

Comparing the logistic and hinge losses

Implementing logistic regression

Loss functions

In this chapter you will delve into the details of logistic regression. You'll learn all about regularization and how to interpret model output.

Logistic regression and regularization

Regularized logistic regression

Logistic regression and feature selection

Identifying the most positive and negative words

Logistic regression and probabilities

Getting class probabilities

Regularization and probabilities

Visualizing easy and difficult examples

Multi-class logistic regression

Counting the coefficients

Fitting multi-class logistic regression

Visualizing multi-class logistic regression

One-vs-rest SVM

Logistic regression

In this chapter you will learn all about the details of support vector machines. You'll learn about tuning hyperparameters for these models and using kernels to fit non-linear decision boundaries.

Support vectors

Support vector definition

Effect of removing examples

Kernel SVMs

GridSearchCV warm-up

Jointly tuning gamma and C with GridSearchCV

Comparing logistic regression and SVM (and beyond)

An advantage of SVMs

An advantage of logistic regression

Using SGDClassifier

Conclusion

Support Vector Machines

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 ?

Exercice interactif pratique