Visualisering av flerklass-logistisk regression
I den här övningen fortsätter vi med de två typerna av flerklass-logistisk regression, men på ett enkelt 2D-dataset som är speciellt utformat för att sätta one-vs-rest-metoden på prov.
Datasetet är inläst i X_train och y_train. De två logistiska regressionsobjekten, lr_mn och lr_ovr, är redan instansierade (med C=100), tränade och plottade.
Observera att lr_ovr aldrig förutsäger den mörkblå klassen – inte bra! Låt oss undersöka varför detta händer genom att plotta en av de binära klassificerare som används i bakgrunden.
Den här övningen är en del av kursen
Linjära klassificerare i Python
Övningsinstruktioner
- Skapa ett nytt logistiskt regressionsobjekt (också med
C=100) för binär klassificering. - Visualisera den binära klassificeraren med
plot_classifier– ser resultatet rimligt ut?
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Print training accuracies
print("Softmax training accuracy:", lr_mn.score(X_train, y_train))
print("One-vs-rest training accuracy:", lr_ovr.score(X_train, y_train))
# Create the binary classifier (class 1 vs. rest)
lr_class_1 = ____
lr_class_1.fit(X_train, y_train==1)
# Plot the binary classifier (class 1 vs. rest)
plot_classifier(X_train, y_train==1, ____)