Візуалізація багатокласової логістичної регресії
У цій вправі ми продовжимо роботу з двома підходами до багатокласової логістичної регресії, але на ігровому 2D-наборі даних, спеціально створеному, щоб „зламати" схему one-vs-rest.
Набір даних завантажено в X_train та y_train. Два об'єкти логістичної регресії lr_mn і lr_ovr уже створено (з C=100), натреновано та візуалізовано.
Зверніть увагу, що lr_ovr ніколи не передбачає клас темно-синього кольору… от халепа! Дослідмо, чому так відбувається, побудувавши один із бінарних класифікаторів, які він використовує „за лаштунками".
Ця вправа є частиною курсу
Лінійні класифікатори в Python
Інструкції до вправи
- Створіть новий об'єкт логістичної регресії (також з
C=100) для бінарної класифікації. - Візуалізуйте цей бінарний класифікатор за допомогою
plot_classifier… чи виглядає він переконливо?
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Print training accuracies
print("Softmax training accuracy:", lr_mn.score(X_train, y_train))
print("One-vs-rest training accuracy:", lr_ovr.score(X_train, y_train))
# Create the binary classifier (class 1 vs. rest)
lr_class_1 = ____
lr_class_1.fit(X_train, y_train==1)
# Plot the binary classifier (class 1 vs. rest)
plot_classifier(X_train, y_train==1, ____)