In dit hoofdstuk leer je de basis van het toepassen van logistic regression en support vector machines (SVM's) op classificatieproblemen. Je gebruikt de <code>scikit-learn</code>-bibliotheek om classificatiemodellen op echte data te fitten.

scikit-learn-opfrissing

KNN-classificatie

Modellen vergelijken

Overfitting

Logistische regressie en SVM toepassen

LogisticRegression en SVC uitvoeren

Sentimentanalyse voor filmrecensies

Lineaire classificatiemodellen

Welke beslissingsgrens is lineair?

Beslissingsgrenzen visualiseren

Logistic regression en SVM toepassen

In dit hoofdstuk ontdek je het conceptuele kader achter logistic regression en SVM's. Zo kun je dieper ingaan op de werking van deze modellen.

Lineaire classificatoren: de coëfficiënten

Hoe modellen voorspellingen doen

De modelcoëfficiënten aanpassen

Wat is een verliesfunctie?

De 0-1 loss

Een verliesfunctie minimaliseren

Diagrammen van verliesfuncties

Verliesfuncties voor classificatie

Logistische en hinge loss vergelijken

Logistic regression implementeren

Lossfuncties

In dit hoofdstuk ga je in op de details van logistic regression. Je leert alles over regularisatie en hoe je modeluitvoer interpreteert.

Logistische regressie en regularisatie

Geregulariseerde logistic regression

Logistic regression en featureselectie

De meest positieve en negatieve woorden identificeren

Logistische regressie en kansen

Kanskansen van klassen bepalen

Regularisatie en kansen

Makkelijke en moeilijke voorbeelden visualiseren

Logistische regressie voor meerdere klassen

Het aantal coëfficiënten tellen

Multi-class logistic regression fitten

Multiclass logistic regression visualiseren

One-vs-rest SVM

Logistic regression

In dit hoofdstuk leer je alle details van support vector machines. Je leert hyperparameters voor deze modellen afstemmen en kernels gebruiken om niet-lineaire beslissingsgrenzen te fitten.

Supportvectoren

Definitie van support vector

Effect van voorbeelden verwijderen

Kernel-SVM's

GridSearchCV-opwarmertje

Gamma en C samen afstemmen met GridSearchCV

Logistische regressie en SVM vergelijken (en verder)

Een voordeel van SVM's

Een voordeel van logistische regressie

SGDClassifier gebruiken

Conclusie

Support Vector Machines

In deze cursus leer je alles over het gebruik van lineaire classificatoren, specifiek logistic regression en support vector machines, met scikit-learn. Nadat je hebt geleerd hoe je deze methoden toepast, duik je in de achterliggende ideeën en ontdek je wat ze echt laat werken. Aan het einde van deze cursus weet je hoe je deze lineaire classificatoren in Python traint, test en afstemt. Je hebt dan ook een conceptuele basis om veel andere Machine Learning-algoritmen te begrijpen.

Supervised Learning with scikit-learn

In deze cursus leer je over lineaire classificatoren zoals logistische regressie en SVM.

Lineaire classificatoren in Python

In deze cursus leer je de details van lineaire classifiers zoals logistische regressie en SVM.

Wetenschapper op het gebied van machine learning in Python

Begeleid machine learning in Python

Kanskansen van klassen bepalen

Lineaire classificatoren in Python

Interactieve oefening met praktijkervaring