ComeçarComece de graça

Regressão logística vs. árvore de classificação

Uma árvore de classificação divide o espaço de recursos em regiões retangulares. Por outro lado, um modelo linear, como a regressão logística, produz apenas um único limite de decisão linear, dividindo o espaço de recursos em duas regiões de decisão.

Escrevemos uma função personalizada chamada plot_labeled_decision_regions() que você pode usar para traçar as regiões de decisão de uma lista contendo dois classificadores treinados. Você pode digitar help(plot_labeled_decision_regions) no shell para saber mais sobre essa função.

X_train, X_test, y_train, y_test, o modelo dt que você treinou em um exercício anterior, bem como a função plot_labeled_decision_regions() estão disponíveis no seu espaço de trabalho.

Este exercício faz parte do curso

Aprendizado de máquina com modelos baseados em árvores em Python

Ver curso

Instruções do exercício

  • Importe LogisticRegression de sklearn.linear_model.

  • Instancie um modelo LogisticRegression e atribua-o a logreg.

  • Ajuste logreg ao conjunto de treinamento.

  • Analise o gráfico gerado por plot_labeled_decision_regions().

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Import LogisticRegression from sklearn.linear_model
from ____.____ import  ____

# Instatiate logreg
____ = ____(random_state=1)

# Fit logreg to the training set
____.____(____, ____)

# Define a list called clfs containing the two classifiers logreg and dt
clfs = [logreg, dt]

# Review the decision regions of the two classifiers
plot_labeled_decision_regions(X_test, y_test, clfs)
Editar e executar o código