Visualiser la régression logistique multi-classes
Dans cet exercice, nous allons continuer avec les deux variantes de régression logistique multi-classes, mais sur un jeu de données jouet en 2D spécialement conçu pour mettre en échec le schéma one-vs-rest.
Le jeu de données est chargé dans X_train et y_train. Les deux objets de régression logistique, lr_mn et lr_ovr, sont déjà instanciés (avec C=100), ajustés et tracés.
Remarquez que lr_ovr ne prédit jamais la classe bleu foncé… aïe ! Explorons pourquoi en traçant l’un des classifieurs binaires qu’il utilise en arrière-plan.
Cet exercice fait partie du cours
Classifieurs linéaires en Python
Instructions
- Créez un nouvel objet de régression logistique (également avec
C=100) à utiliser pour une classification binaire. - Visualisez ce classifieur binaire avec
plot_classifier… est-ce que le résultat vous paraît cohérent ?
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Print training accuracies
print("Softmax training accuracy:", lr_mn.score(X_train, y_train))
print("One-vs-rest training accuracy:", lr_ovr.score(X_train, y_train))
# Create the binary classifier (class 1 vs. rest)
lr_class_1 = ____
lr_class_1.fit(X_train, y_train==1)
# Plot the binary classifier (class 1 vs. rest)
plot_classifier(X_train, y_train==1, ____)