Zacznij terazZacznij za darmo

Regresja logistyczna a drzewo klasyfikacyjne

Drzewo klasyfikacyjne dzieli przestrzeń cech na prostokątne obszary. Natomiast model liniowy, taki jak regresja logistyczna, tworzy tylko jedną liniową granicę decyzyjną, dzieląc przestrzeń cech na dwa obszary decyzyjne.

Przygotowaliśmy niestandardową funkcję o nazwie plot_labeled_decision_regions(), której możesz użyć do wizualizacji obszarów decyzyjnych dla listy zawierającej dwa wytrenowane klasyfikatory. Wpisz help(plot_labeled_decision_regions) w powłoce, aby dowiedzieć się więcej o tej funkcji.

X_train, X_test, y_train, y_test, model dt wytrenowany we wcześniejszym ćwiczeniu oraz funkcja plot_labeled_decision_regions() są dostępne w twoim obszarze roboczym.

To ćwiczenie jest częścią kursu

Uczenie maszynowe z modelami drzewiastymi w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Zaimportuj LogisticRegression z sklearn.linear_model.

  • Utwórz instancję modelu LogisticRegression i przypisz ją do zmiennej logreg.

  • Dopasuj logreg do zbioru treningowego.

  • Przeanalizuj wykres wygenerowany przez plot_labeled_decision_regions().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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)
Edytuj i uruchom kod