Lojistik regresyonu uygulama

Bu, daha önce scipy.optimize.minimize kullanarak "sıfırdan" doğrusal regresyonu uyguladığın egzersize oldukça benziyor. Ancak bu kez lojistik kaybı minimize edeceğiz ve scikit-learn'in LogisticRegression modeliyle karşılaştıracağız (düzenlileştirmeyi kapatmak için C değerini büyük seçtik; bununla ilgili detaylar Bölüm 3'te!).

Önceki egzersizden log_loss() fonksiyonu ortamında zaten tanımlı ve sklearn meme kanseri tahmin veri kümesi (ilk 10 özellik, standartlaştırılmış) X ve y değişkenlerine yüklenmiş durumda.

Bu egzersiz

Python'da Lineer Sınıflandırıcılar

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

range() içine eğitim örneği sayısını gir.
Lojistik regresyon için kayıp fonksiyonunu doldur.
Katsayıları sklearn'ün LogisticRegression modeliyle karşılaştır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# The logistic loss, summed over training examples
def my_loss(w):
    s = 0
    for i in range(____):
        raw_model_output = w@X[i]
        s = s + ____(raw_model_output * y[i])
    return s

# Returns the w that makes my_loss(w) smallest
w_fit = minimize(my_loss, X[0]).x
print(w_fit)

# Compare with scikit-learn's LogisticRegression
lr = LogisticRegression(fit_intercept=False, C=1000000).fit(X,y)
print(lr.coef_)

Kodu Düzenle ve Çalıştır