CommencerCommencer gratuitement

Régression logistique et arbre de classification

Un arbre de classification divise l'espace des caractéristiques en régions rectangulaires. En revanche, un modèle linéaire tel que la régression logistique ne produit qu'une seule frontière de décision linéaire divisant l'espace des caractéristiques en deux régions de décision.

Nous avons développé une fonction personnalisée appelée « plot_labeled_decision_regions() » que vous pouvez utiliser pour obtenir un graphique des régions de décision d'une liste contenant deux classificateurs entraînés. Veuillez saisir « help(plot_labeled_decision_regions) » dans le shell pour obtenir plus d'informations sur cette fonction.

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

Cet exercice fait partie du cours

Machine learning avec des modèles arborescents en Python

Afficher le cours

Instructions

  • Importez LogisticRegression à partir de sklearn.linear_model.

  • Veuillez instancier un modèle LogisticRegression et l'attribuer à logreg.

  • Ajustez l'logreg e à l'ensemble d'apprentissage.

  • Veuillez examiner le graphique généré par plot_labeled_decision_regions().

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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