In this chapter you will learn the basics of applying logistic regression and support vector machines (SVMs) to classification problems. You'll use the <code>scikit-learn</code> library to fit classification models to real data.

scikit-learn refresher

KNN classification

Comparing models

Overfitting

Applying logistic regression and SVM

Running LogisticRegression and SVC

Sentiment analysis for movie reviews

Linear classifiers

Which decision boundary is linear?

Visualizing decision boundaries

In this chapter you will discover the conceptual framework behind logistic regression and SVMs. This will let you delve deeper into the inner workings of these models.

Classificadores lineares: os coeficientes

Como os modelos fazem previsões

Alterando os coeficientes do modelo

O que é uma função de perda?

A perda 0-1

Minimizando uma função de perda

Diagramas de funções de perda

Funções de perda para classificação

Comparando as perdas logística e hinge

Implementando regressão logística

Loss functions

In this chapter you will delve into the details of logistic regression. You'll learn all about regularization and how to interpret model output.

Logistic regression and regularization

Regularized logistic regression

Logistic regression and feature selection

Identifying the most positive and negative words

Logistic regression and probabilities

Getting class probabilities

Regularization and probabilities

Visualizing easy and difficult examples

Multi-class logistic regression

Counting the coefficients

Fitting multi-class logistic regression

Visualizing multi-class logistic regression

One-vs-rest SVM

Logistic regression

In this chapter you will learn all about the details of support vector machines. You'll learn about tuning hyperparameters for these models and using kernels to fit non-linear decision boundaries.

Support vectors

Support vector definition

Effect of removing examples

Kernel SVMs

GridSearchCV warm-up

Jointly tuning gamma and C with GridSearchCV

Comparing logistic regression and SVM (and beyond)

An advantage of SVMs

An advantage of logistic regression

Using SGDClassifier

Conclusion

Support Vector Machines

Neste curso, você vai aprender a usar classificadores lineares — especificamente regressão logística e máquinas de vetores de suporte (SVM) — com scikit-learn. Depois de ver como aplicar esses métodos, você vai explorar as ideias por trás deles e entender o que realmente faz tudo funcionar. Ao final, você saberá treinar, testar e ajustar esses classificadores lineares em Python. Também terá uma base conceitual para entender muitos outros algoritmos de Machine Learning.

Supervised Learning with scikit-learn

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

Classificadores Lineares em Python

Neste curso, você aprenderá os detalhes dos classificadores lineares, como regressão logística e SVM.

Cientista de machine learning em Python

Aprendizado de máquina supervisionado em Python

Funções de perda para classificação

Classificadores Lineares em Python

exercicio interativo prático