De modelcoëfficiënten aanpassen
Als je fit aanroept met scikit-learn, worden de coëfficiënten van de logistieke regressie automatisch geleerd uit je gegevensset. In deze oefening ga je verkennen hoe de beslissingsgrens wordt weergegeven door de coëfficiënten. Je past daarvoor de coëfficiënten handmatig aan (in plaats van met fit) en visualiseert de resulterende classifiers.
Een 2D-gegevensset is al in de omgeving geladen als X en y, samen met een lineair classifier-object model.
Deze oefening maakt deel uit van de cursus
Lineaire classificatoren in Python
Oefeninstructies
- Stel de twee coëfficiënten en de intercept in op verschillende waarden en bekijk de resulterende beslissingsgrenzen.
- Probeer gevoel te krijgen voor hoe de coëfficiënten samenhangen met de beslissingsgrens.
- Stel de coëfficiënten en de intercept zo in dat het model geen fouten maakt op de gegeven trainingsdata.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Set the coefficients
model.coef_ = np.array([[0,1]])
model.intercept_ = np.array([0])
# Plot the data and decision boundary
plot_classifier(X,y,model)
# Print the number of errors
num_err = np.sum(y != model.predict(X))
print("Number of errors:", num_err)