Implementacja regresji logistycznej

To ćwiczenie jest bardzo podobne do wcześniejszego, w którym implementowałeś regresję liniową „od zera" przy użyciu scipy.optimize.minimize. Tym razem zminimalizujesz stratę logistyczną i porównasz wyniki z klasą LogisticRegression z biblioteki scikit-learn (parametr C ustawiliśmy na dużą wartość, aby wyłączyć regularyzację – więcej na ten temat w rozdziale 3!).

Funkcja log_loss() z poprzedniego ćwiczenia jest już zdefiniowana w twoim środowisku, a zbiór danych scikit-learn dotyczący predykcji raka piersi (pierwsze 10 cech, po standaryzacji) jest wczytany do zmiennych X i y.

Przekaż liczbę przykładów treningowych do funkcji range().
Uzupełnij funkcję straty dla regresji logistycznej.
Porównaj współczynniki z wynikami klasy LogisticRegression z biblioteki sklearn.

.css-6su6fj{-webkit-flex-shrink:0;-ms-flex-negative:0;flex-shrink:0;}ćwiczenie

Instrukcje

ćwiczenie