शुरू करेंमुफ़्त में शुरू करें

Logistic regression बनाम classification tree

एक classification tree फीचर स्पेस को आयताकार क्षेत्रों में बाँटता है. इसके विपरीत, logistic regression जैसा कोई linear मॉडल फीचर स्पेस को दो decision क्षेत्रों में बाँटने के लिए केवल एक linear decision boundary बनाता है.

हमने plot_labeled_decision_regions() नाम का एक कस्टम फंक्शन लिखा है जिसका उपयोग आप दो प्रशिक्षित classifiers वाली सूची के decision क्षेत्रों को प्लॉट करने के लिए कर सकते हैं. इस फंक्शन के बारे में अधिक जानने के लिए आप shell में help(plot_labeled_decision_regions) टाइप कर सकते हैं.

X_train, X_test, y_train, y_test, पहले के एक अभ्यास में आपके द्वारा प्रशिक्षित मॉडल dt, और फंक्शन plot_labeled_decision_regions() आपके workspace में उपलब्ध हैं.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Tree-Based Models के साथ Machine Learning

पाठ्यक्रम देखें

अभ्यास निर्देश

  • sklearn.linear_model से LogisticRegression इंपोर्ट करें.

  • एक LogisticRegression मॉडल बनाएँ और उसे logreg में असाइन करें.

  • logreg को training सेट पर फिट करें.

  • plot_labeled_decision_regions() द्वारा जनरेट किए गए प्लॉट की समीक्षा करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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)
कोड संपादित करें और चलाएँ