In this chapter you will learn the basics of applying logistic regression and support vector machines (SVMs) to classification problems. You'll use the <code>scikit-learn</code> library to fit classification models to real data.

scikit-learn refresher

KNN classification

Comparing models

Overfitting

Applying logistic regression and SVM

Running LogisticRegression and SVC

Sentiment analysis for movie reviews

Linear classifiers

Which decision boundary is linear?

Visualizing decision boundaries

In this chapter you will discover the conceptual framework behind logistic regression and SVMs. This will let you delve deeper into the inner workings of these models.

Doğrusal sınıflandırıcılar: katsayılar

Modeller nasıl tahmin yapar?

Model katsayılarını değiştirme

Kayıp fonksiyonu nedir?

0-1 kaybı

Bir kayıp fonksiyonunu en aza indirmek

Kayıp fonksiyonu diyagramları

Sınıflandırma kayıp fonksiyonları

Lojistik ve hinge kayıplarını karşılaştırma

Lojistik regresyonu uygulama

Loss functions

In this chapter you will delve into the details of logistic regression. You'll learn all about regularization and how to interpret model output.

Logistic regression and regularization

Regularized logistic regression

Logistic regression and feature selection

Identifying the most positive and negative words

Logistic regression and probabilities

Getting class probabilities

Regularization and probabilities

Visualizing easy and difficult examples

Multi-class logistic regression

Counting the coefficients

Fitting multi-class logistic regression

Visualizing multi-class logistic regression

One-vs-rest SVM

Logistic regression

In this chapter you will learn all about the details of support vector machines. You'll learn about tuning hyperparameters for these models and using kernels to fit non-linear decision boundaries.

Support vectors

Support vector definition

Effect of removing examples

Kernel SVMs

GridSearchCV warm-up

Jointly tuning gamma and C with GridSearchCV

Comparing logistic regression and SVM (and beyond)

An advantage of SVMs

An advantage of logistic regression

Using SGDClassifier

Conclusion

Support Vector Machines

Bu kursta, özellikle logistic regression ve support vector machines ile scikit-learn kullanarak lineer sınıflandırıcıları nasıl kullanacağını öğreneceksin. Bu yöntemleri uygulamayı öğrendikten sonra, arkalarındaki fikirleri keşfedecek ve onları gerçekten çalıştıran şeyin ne olduğunu anlayacaksın. Kursun sonunda, Python'da bu lineer sınıflandırıcıları nasıl eğiteceğini, test edeceğini ve ayarlayacağını bileceksin. Ayrıca, birçok başka Machine Learning algoritmasını anlaman için kavramsal bir temele sahip olacaksın.

Supervised Learning with scikit-learn

Bu derste lojistik regresyon ve SVM gibi doğrusal sınıflandırıcıların detaylarını öğreneceksiniz.

Python'da Lineer Sınıflandırıcılar

Bu derste lojistik regresyon ve SVM gibi doğrusal sınıflandırıcıların ayrıntılarını öğreneceksiniz.

Makine Öğrenimi Bilimcisi Python'da

Denetimli Makine Öğrenimi Python'da

0-1 kaybı

Python'da Lineer Sınıflandırıcılar

Uygulamalı interaktif egzersiz