ПочатиПочніть безкоштовно

Логістична регресія vs дерево класифікації

Дерево класифікації ділить простір ознак на прямокутні області. Натомість лінійна модель, така як логістична регресія, утворює лише одну лінійну межу рішення, що ділить простір ознак на дві області рішень.

Ми підготували спеціальну функцію plot_labeled_decision_regions(), яку ви можете використати, щоб побудувати області рішень для списку з двох навчених класифікаторів. Введіть у консолі help(plot_labeled_decision_regions), щоб дізнатися більше про цю функцію.

X_train, X_test, y_train, y_test, модель dt, яку ви тренували в попередній вправі, а також функція plot_labeled_decision_regions() доступні у вашому робочому середовищі.

Ця вправа є частиною курсу

Машинне навчання з деревоподібними моделями в Python

Переглянути курс

Інструкції до вправи

  • Імпортуйте LogisticRegression з sklearn.linear_model.

  • Створіть екземпляр моделі LogisticRegression і присвойте його змінній logreg.

  • Навчіть logreg на тренувальному наборі.

  • Перегляньте графік, згенерований plot_labeled_decision_regions().

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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)
Редагувати та запускати код