1. Nauka
    2. /
  2. Kursy
    3. /
  3. Uczenie maszynowe z modelami drzewiastymi w Pythonie
Connected

ćwiczenie

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.

Instrukcje

100 XP

  • 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().