Zacznij terazZacznij za darmo

Regresja logistyczna dla obrazów

W tym ćwiczeniu zbudujesz model regresji logistycznej na zbiorze danych dotyczącym raka piersi z poprzedniego ćwiczenia i ocenisz jego dokładność.

Zmienne X_train, X_test, y_train i y_test utworzone w poprzednim ćwiczeniu są dostępne w twoim środowisku pracy, wraz z bibliotekami sklearn i pandas jako pd. Klasa LogisticRegression jest dostępna za pośrednictwem sklearn.linear_model.

To ćwiczenie jest częścią kursu

Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Utwórz klasyfikator regresji logistycznej.
  • Dopasuj klasyfikator do danych treningowych, a następnie użyj go do przewidywania na danych testowych.
  • Przypisz łączną liczbę poprawnych i niepoprawnych przewidywań (w odniesieniu do etykiet docelowych) odpowiednio do zmiennych num_right i num_wrong.
  • Oblicz dokładność, korzystając ze zmiennych num_right i num_wrong oraz funkcji sum().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Create and fit a logistic regression classifier
clf = ____().____(X_train, y_train)

# Predict labels
y_pred = clf.____(X_test) 

# Get number of right and wrong predictions
num_right = (y_test == y_pred).____()
num_wrong = (y_test != y_pred).____()

# Compute and print accuracy
accuracy = 1.0 * num_right / (____ + ____)
print(accuracy)
Edytuj i uruchom kod