НачатьНачать бесплатно

Логистическая регрессия vs дерево классификации

Дерево классификации разделяет пространство признаков на прямоугольные области. Линейная модель, например логистическая регрессия, создаёт лишь одну линейную границу решений, которая делит пространство признаков на две области.

Мы написали специальную функцию plot_labeled_decision_regions(), с помощью которой можно визуализировать области решений для списка из двух обученных классификаторов. Введите help(plot_labeled_decision_regions) в консоли, чтобы узнать подробнее об этой функции.

В вашем рабочем пространстве доступны: X_train, X_test, y_train, y_test, модель dt, обученная в предыдущем упражнении, а также функция plot_labeled_decision_regions().

Это упражнение является частью курса

Машинное обучение на основе древовидных моделей в Python

Посмотреть курс

Инструкции к упражнению

  • Импортируйте LogisticRegression из sklearn.linear_model.

  • Создайте экземпляр модели LogisticRegression и присвойте его переменной logreg.

  • Обучите logreg на обучающей выборке.

  • Изучите график, построенный функцией plot_labeled_decision_regions().

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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)
Редактировать и запускать код