เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

Logistic regression เทียบกับ classification tree

Classification tree จะแบ่งพื้นที่ฟีเจอร์ออกเป็นบริเวณสี่เหลี่ยม ในทางตรงข้าม โมเดลเชิงเส้นอย่าง logistic regression จะสร้างเส้นแบ่งการตัดสินใจเพียงเส้นเดียว ซึ่งแบ่งพื้นที่ฟีเจอร์ออกเป็นสองบริเวณ

เราได้เขียนฟังก์ชันชื่อ plot_labeled_decision_regions() ไว้ให้แล้ว ฟังก์ชันนี้ใช้สำหรับพล็อตบริเวณการตัดสินใจของรายการที่ประกอบด้วย classifier ที่ฝึกแล้วสองตัว สามารถพิมพ์ help(plot_labeled_decision_regions) ใน shell เพื่อดูรายละเอียดเพิ่มเติม

X_train, X_test, y_train, y_test, โมเดล dt ที่ฝึกไว้ในแบบฝึกหัดก่อนหน้า รวมถึงฟังก์ชัน plot_labeled_decision_regions() พร้อมใช้งานใน workspace แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Learning with Tree-Based Models in Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • นำเข้า LogisticRegression จาก sklearn.linear_model

  • สร้างอินสแตนซ์ของโมเดล LogisticRegression แล้วกำหนดให้กับตัวแปร logreg

  • ฝึกโมเดล logreg ด้วยชุดข้อมูลฝึก

  • ตรวจสอบกราฟที่สร้างโดย plot_labeled_decision_regions()

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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)
แก้ไขและรันโค้ด