Wizualizacja wieloklasowej regresji logistycznej
W tym ćwiczeniu ponownie przyjrzymy się dwóm podejściom do wieloklasowej regresji logistycznej, tym razem na zabawkowym zbiorze danych 2D, który celowo utrudnia działanie schematu jeden-kontra-reszta.
Zbiór danych jest wczytany do zmiennych X_train i y_train. Oba obiekty regresji logistycznej – lr_mn i lr_ovr – zostały już zainicjalizowane (z parametrem C=100), dopasowane i zwizualizowane.
Zauważ, że lr_ovr nigdy nie przewiduje klasy ciemnoniebieskiej… to niedobrze! Sprawdź, dlaczego tak się dzieje, wizualizując jeden z klasyfikatorów binarnych działających w tle.
To ćwiczenie jest częścią kursu
Liniowe klasyfikatory w Pythonie
Instrukcje do ćwiczenia
- Utwórz nowy obiekt regresji logistycznej (również z parametrem
C=100) przeznaczony do klasyfikacji binarnej. - Zwizualizuj ten klasyfikator binarny za pomocą funkcji
plot_classifier– czy wynik wygląda sensownie?
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Print training accuracies
print("Softmax training accuracy:", lr_mn.score(X_train, y_train))
print("One-vs-rest training accuracy:", lr_ovr.score(X_train, y_train))
# Create the binary classifier (class 1 vs. rest)
lr_class_1 = ____
lr_class_1.fit(X_train, y_train==1)
# Plot the binary classifier (class 1 vs. rest)
plot_classifier(X_train, y_train==1, ____)