I det här kapitlet lär du dig grunderna i att tillämpa logistisk regression och support vector machines (SVM) på klassificeringsproblem. Du använder biblioteket <code>scikit-learn</code> för att anpassa klassificeringsmodeller till verklig data.

Repetition av scikit-learn

KNN-klassificering

Jämföra modeller

Överanpassning

Logistisk regression och SVM i praktiken

Köra LogisticRegression och SVC

Sentimentanalys av filmrecensioner

Linjära klassificerare

Vilken beslutsgräns är linjär?

Visualisera beslutsgränser

Tillämpa logistisk regression och SVM

I det här kapitlet utforskar du det konceptuella ramverket bakom logistisk regression och SVM. Det ger dig möjlighet att gå djupare in i hur dessa modeller fungerar på insidan.

Linjära klassificerare: koefficienterna

Hur modeller gör förutsägelser

Ändra modellens koefficienter

Vad är en förlustfunktion?

0-1-förlusten

Minimera en förlustfunktion

Förlustkurvor

Förlustfunktioner för klassificering

Jämförelse av logistisk förlust och hinge-förlust

Implementera logistisk regression

Förlustfunktioner

I det här kapitlet går du på djupet med logistisk regression. Du lär dig allt om regularisering och hur du tolkar modellens utdata.

Logistisk regression och regularisering

Regulariserad logistisk regression

Logistisk regression och särdragsurval

Identifiera de mest positiva och negativa orden

Logistisk regression och sannolikheter

Beräkna klasssannolikheter

Regularisering och sannolikheter

Visualisering av enkla och svåra exempel

Flerklass-logistisk regression

Räkna koefficienterna

Anpassa multiklass-logistisk regression

Visualisering av flerklass-logistisk regression

En-mot-resten med SVM

Logistisk regression

I det här kapitlet lär du dig allt om detaljerna kring support vector machines. Du lär dig att finjustera hyperparametrar för dessa modeller och att använda kärnor för att anpassa icke-linjära beslutsgränser.

Supportvektorer

Definition av stödvektor

Effekten av att ta bort exempel

Kernel-SVM

GridSearchCV – uppvärmning

Finjustera gamma och C tillsammans med GridSearchCV

Jämförelse av logistisk regression och SVM (och vidare)

En fördel med SVM:er

En fördel med logistisk regression

Använda SGDClassifier

Avslutning

Support Vector Machines

I den här kursen lär du dig allt om linjära klassificerare – specifikt logistisk regression och support vector machines – med scikit-learn. När du har lärt dig hur du använder dessa metoder går vi djupare in på idéerna bakom dem och undersöker hur de verkligen fungerar. När kursen är slut vet du hur du tränar, testar och finjusterar linjära klassificerare i Python. Du får också en konceptuell grund som hjälper dig att förstå många andra maskininlärningsalgoritmer.

Supervised Learning with scikit-learn

I den här kursen lär du dig om linjära klassificerare som logistisk regression och SVM.

Linjära klassificerare i Python

Maskininlärningsforskare i Python

Övervakad maskininlärning i Python

Instructor, The University of British Columbia

Jämförelse av logistisk regression och SVM

För- och nackdelar

Användning i scikit-learn

Användning i scikit-learn (forts.)

SGDClassifier

Nu kör vi en övning!

Support Vector Machines - Jämförelse av logistisk regression och SVM (och vidare)

Jämförelse av logistisk regression och SVM (och vidare)

Create Your Free Account