Mulai sekarangMulai gratis

Logistic regression vs classification tree

Sebuah classification tree membagi ruang fitur menjadi wilayah persegi panjang. Sebaliknya, model linear seperti logistic regression hanya menghasilkan satu batas keputusan linear yang membagi ruang fitur menjadi dua wilayah keputusan.

Kami telah menuliskan fungsi kustom bernama plot_labeled_decision_regions() yang dapat Anda gunakan untuk memplot wilayah keputusan dari sebuah daftar yang berisi dua pengklasifikasi terlatih. Anda dapat mengetik help(plot_labeled_decision_regions) di shell untuk mempelajari lebih lanjut tentang fungsi ini.

X_train, X_test, y_train, y_test, model dt yang telah Anda latih pada latihan sebelumnya, serta fungsi plot_labeled_decision_regions() tersedia di workspace Anda.

Latihan ini merupakan bagian dari kursus

Machine Learning dengan Model Berbasis Pohon di Python

Lihat Kursus

Instruksi latihan

  • Impor LogisticRegression dari sklearn.linear_model.

  • Instansiasikan model LogisticRegression dan tetapkan ke logreg.

  • Latih logreg pada himpunan latih.

  • Tinjau plot yang dihasilkan oleh plot_labeled_decision_regions().

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# 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)
Edit dan Jalankan Kode