Neste capítulo, você aprenderá os fundamentos da aplicação da regressão logística e das máquinas de vetores de suporte (SVMs) a problemas de classificação. Você usará a biblioteca <code>scikit-learn</code> para ajustar modelos de classificação a dados reais.

Atualização do scikit-learn

KNN classificação

Comparação de modelos

Ajuste excessivo

Aplicando a regressão logística e SVM

Executando LogisticRegression e SVC

Análise de sentimento para críticas de filmes

Classificadores lineares

Qual limite de decisão é linear?

Visualização de limites de decisão

Neste capítulo, você descobrirá a estrutura conceitual por trás da regressão logística e SVMs. Isso permitirá que você se aprofunde no funcionamento interno desses modelos.

Classificadores lineares: os coeficientes

Como os modelos fazem previsões

Alterar os coeficientes do modelo

O que é uma função de perda?

A derrota por 0 a 1

Minimização de uma função de perda

Diagramas de função de perda

Funções de perda de classificação

Comparação das perdas logísticas e de articulação

Implementação da regressão logística

Funções de perda

Neste capítulo, você se aprofundará nos detalhes da regressão logística. Você aprenderá tudo sobre regularização e como interpretar o resultado do modelo.

Regressão logística e regularização

Regressão logística regularizada

Regressão logística e seleção de recursos

Identificar as palavras mais positivas e negativas

Regressão logística e probabilidades

Obtendo probabilidades de classe

Regularização e probabilidades

Visualização de exemplos fáceis e difíceis

Regressão logística multiclasse

Contagem dos coeficientes

Ajuste da regressão logística multiclasse

Visualização da regressão logística multiclasse

Um-vs-resto SVM

Regressão logística

Neste capítulo, você aprenderá tudo sobre os detalhes das máquinas de vetores de suporte. Você aprenderá a ajustar hiperparâmetros para esses modelos e a usar kernels para ajustar limites de decisão não lineares.

Vetores de suporte

Definição do vetor de suporte

Efeito da remoção de exemplos

Kernel SVMs

GridSearchCV warm-up

Ajuste conjunto de gama e C com o GridSearchCV

Comparação entre regressão logística e SVM (e além)

Uma vantagem de SVMs

Uma vantagem da regressão logística

Usando o classificador SGDC

Conclusão

Máquinas de vetor de suporte

Neste curso, você aprenderá tudo sobre o uso de classificadores lineares, especificamente regressão logística e máquinas de vetor de suporte, com o scikit-learn. Depois de aprender a aplicar esses métodos, você mergulhará nas ideias por trás deles e descobrirá o que realmente os faz funcionar. Ao final deste curso, você saberá como treinar, testar e ajustar esses classificadores lineares em Python. Você também terá uma base conceitual para entender muitos outros algoritmos de aprendizado de máquina.

Supervised Learning with scikit-learn

Neste curso, você aprenderá sobre classificadores lineares como regressão logística e SVM.

Classificadores lineares em Python

Cientista de machine learning Em Python

Aprendizado de máquina supervisionado em Python

Ajuste excessivo

Classificadores lineares em Python

Exercício interativo prático