Logistic Regression と分類木の比較
分類木は、特徴量空間を長方形の領域に分割します。対照的に、ロジスティック回帰のような線形モデルは、特徴量空間を2つの判別領域に分ける単一の線形な決定境界しか作りません。
2つの学習済み分類器を含むリストの決定領域をプロットできる、plot_labeled_decision_regions() というカスタム関数を用意しています。この関数の詳細は、シェルで help(plot_labeled_decision_regions) と入力して確認できます。
X_train、X_test、y_train、y_test、以前の演習で学習したモデル dt、そして関数 plot_labeled_decision_regions() は、すべて作業スペースに用意されています。
この演習はコースの一部です
Pythonで学ぶ木ベースのMachine Learning
演習の手順
sklearn.linear_modelからLogisticRegressionをインポートします。LogisticRegressionモデルをインスタンス化し、logregに代入します。学習用データに
logregを適合させます。plot_labeled_decision_regions()が生成するプロットを確認します。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# 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)