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

Instructor, The University of British Columbia

Applying logistic regression and SVM

Using LogisticRegression

LogisticRegression example

Using LinearSVC

Using SVC

Let's practice!

Aplicando a regressão logística e SVM - Aplicando a regressão logística e SVM