In questo capitolo imparerai le basi per applicare la regressione logistica e le support vector machine (SVM) a problemi di classificazione. Userai la libreria <code>scikit-learn</code> per adattare modelli di classificazione a dati reali.

Ripasso di scikit-learn

Classificazione KNN

Confrontare i modelli

Overfitting

Applicare la regressione logistica e le SVM

Eseguire LogisticRegression e SVC

Analisi del sentiment per le recensioni di film

Classificatori lineari

Quale confine decisionale è lineare?

Visualizzare i confini di decisione

Applicare regressione logistica e SVM

In questo capitolo scoprirai il quadro concettuale alla base della regressione logistica e delle SVM. Questo ti permetterà di approfondire il funzionamento interno di questi modelli.

Classificatori lineari: i coefficienti

Come i modelli fanno previsioni

Modificare i coefficienti del modello

Che cos'è una funzione di loss?

La loss 0-1

Minimizzare una funzione di loss

Diagrammi delle funzioni di loss

Funzioni di loss per la classificazione

Confrontare le perdite logistica e hinge

Implementare la regressione logistica

Funzioni di loss

In questo capitolo entrerai nei dettagli della regressione logistica. Imparerai tutto sulla regolarizzazione e su come interpretare l’output del modello.

Regressione logistica e regolarizzazione

Regressione logistica con regolarizzazione

Regressione logistica e selezione delle feature

Identificare le parole più positive e più negative

Regressione logistica e probabilità

Ottenere le probabilità di classe

Regolarizzazione e probabilità

Visualizzare esempi facili e difficili

Regressione logistica multiclasse

Contare i coefficienti

Adattare la regressione logistica multiclasse

Visualizzare la regressione logistica multiclasse

SVM one-vs-rest

Regressione logistica

In questo capitolo apprenderai tutti i dettagli delle support vector machine. Vedrai come regolare gli iperparametri per questi modelli e come usare i kernel per adattare frontiere di decisione non lineari.

Support vectors

Definizione di support vector

Effetto della rimozione degli esempi

SVM con kernel

Riscaldamento con GridSearchCV

Ottimizzare insieme gamma e C con GridSearchCV

Confronto tra regressione logistica e SVM (e oltre)

Un vantaggio delle SVM

Un vantaggio della regressione logistica

Uso di SGDClassifier

Conclusione

Support Vector Machines

In questo corso imparerai a usare i classificatori lineari, in particolare la regressione logistica e le support vector machine, con scikit-learn. Dopo aver visto come applicare questi metodi, entrerai nelle idee che li guidano e scoprirai cosa li fa funzionare davvero. Al termine del corso saprai come addestrare, testare e ottimizzare questi classificatori lineari in Python. Avrai anche una base concettuale per comprendere molti altri algoritmi di Machine Learning.

Supervised Learning with scikit-learn

In questo corso imparerai i dettagli dei classificatori lineari come la regressione logistica e SVM.

Classificatori lineari in Python

Scienziato specializzato in apprendimento automatico in Python

Apprendimento automatico supervisionato in Python

La loss 0-1

Classificatori lineari in Python

esercizio interattivo pratico