Kom igångKom igång gratis

Logistisk regression vs klassificeringsträd

Ett klassificeringsträd delar upp särdragsrymden i rektangulära regioner. En linjär modell som logistisk regression skapar däremot bara en enda linjär beslutsgräns som delar upp särdragsrymden i två beslutsregioner.

Vi har skrivit en anpassad funktion kallad plot_labeled_decision_regions() som du kan använda för att visualisera beslutsregionerna för en lista med två tränade klassificerare. Skriv help(plot_labeled_decision_regions) i terminalen om du vill veta mer om funktionen.

X_train, X_test, y_train, y_test, modellen dt som du tränade i en tidigare övning, samt funktionen plot_labeled_decision_regions() finns tillgängliga i din miljö.

Den här övningen är en del av kursen

Maskininlärning med trädbaserade modeller i Python

Visa kurs

Övningsinstruktioner

  • Importera LogisticRegression från sklearn.linear_model.

  • Skapa en instans av en LogisticRegression-modell och tilldela den till logreg.

  • Träna logreg på träningsdatan.

  • Granska diagrammet som genereras av plot_labeled_decision_regions().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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)
Redigera och kör kod