ÎncepețiÎncepe gratuit

Regresie logistică vs. arbore de clasificare

Un arbore de clasificare împarte spațiul caracteristicilor în regiuni dreptunghiulare. Prin contrast, un model liniar precum regresia logistică produce o singură frontieră de decizie liniară, împărțind spațiul caracteristicilor în două regiuni.

Am scris o funcție personalizată numită plot_labeled_decision_regions() pe care o poți folosi pentru a reprezenta grafic regiunile de decizie ale unei liste cu doi clasificatori antrenați. Poți introduce help(plot_labeled_decision_regions) în consolă pentru a afla mai multe despre această funcție.

X_train, X_test, y_train, y_test, modelul dt antrenat într-un exercițiu anterior, precum și funcția plot_labeled_decision_regions() sunt disponibile în spațiul tău de lucru.

Acest exercițiu face parte din cursul

Machine Learning cu modele bazate pe arbori în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Importă LogisticRegression din sklearn.linear_model.

  • Instanțiază un model LogisticRegression și atribuie-l variabilei logreg.

  • Antrenează logreg pe setul de antrenament.

  • Analizează graficul generat de plot_labeled_decision_regions().

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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)
Editează și rulează codul