În acest capitol vei învăța elementele de bază ale aplicării regresiei logistice și ale mașinilor cu vectori suport (SVM) pentru probleme de clasificare. Vei folosi biblioteca <code>scikit-learn</code> pentru a antrena modele de clasificare pe date reale.

Recapitulare scikit-learn

Clasificare KNN

Compararea modelelor

Supraantrenarea

Aplicarea regresiei logistice și a SVM

Rularea LogisticRegression și SVC

Analiza sentimentelor pentru recenzii de filme

Clasificatori liniari

Care frontieră de decizie este liniară?

Vizualizarea frontierelor de decizie

În acest capitol vei descoperi cadrul conceptual din spatele regresiei logistice și al SVM-urilor. Astfel vei putea înțelege mai în profunzime modul în care funcționează aceste modele.

Clasificatori liniari: coeficienții

Cum fac predicții modelele

Modificarea coeficienților modelului

Ce este o funcție de pierdere?

Pierderea 0-1

Minimizarea unei funcții de pierdere

Diagrame ale funcțiilor de pierdere

Funcții de pierdere pentru clasificare

Compararea funcțiilor de pierdere logistică și hinge

Implementarea regresiei logistice

Funcții de pierdere

În acest capitol vei aprofunda detaliile regresiei logistice. Vei învăța totul despre regularizare și cum să interpretezi rezultatele modelului.

Regresia logistică și regularizarea

Regresie logistică regularizată

Regresia logistică și selecția caracteristicilor

Identificarea cuvintelor cu cel mai pozitiv și cel mai negativ impact

Regresia logistică și probabilități

Obținerea probabilităților de clasă

Regularizare și probabilități

Vizualizarea exemplelor ușoare și dificile

Regresia logistică multi-clasă

Numărarea coeficienților

Antrenarea regresiei logistice multi-clasă

Vizualizarea regresiei logistice multi-clasă

SVM unu-contra-rest

Regresia logistică

În acest capitol vei învăța în detaliu despre mașinile cu vectori suport. Vei descoperi cum să ajustezi hiperparametrii acestor modele și cum să folosești nuclee pentru a aproxima frontiere de decizie neliniare.

Vectori suport

Definiția vectorului suport

Efectul eliminării exemplelor

SVM-uri cu kernel

Exercițiu de încălzire cu GridSearchCV

Ajustarea simultană a gamma și C cu GridSearchCV

Compararea regresiei logistice și a SVM (și nu numai)

Un avantaj al SVM-urilor

Un avantaj al regresiei logistice

Utilizarea SGDClassifier

Concluzie

Mașini cu vectori suport

În acest curs vei învăța totul despre utilizarea clasificatorilor liniari, în special regresia logistică și mașinile cu vectori suport, folosind scikit-learn. După ce vei aplica aceste metode, vei aprofunda ideile din spatele lor și vei înțelege cum funcționează cu adevărat. La finalul cursului vei ști cum să antrenezi, să testezi și să ajustezi acești clasificatori liniari în Python. Vei dobândi, de asemenea, o bază conceptuală utilă pentru înțelegerea multor alți algoritmi de învățare automată.

Supervised Learning with scikit-learn

În acest curs vei învăța detalii despre clasificatori liniari precum regresia logistică și SVM.

Clasificatori liniari în Python

În acest curs vei învăța detaliile clasificatorilor liniari precum regresia logistică și SVM.

Cercetător în învățarea automată în Python

Învățare automată supravegheată în Python

Care frontieră de decizie este liniară?

Clasificatori liniari în Python

Exercițiu interactiv practic