Trong chương này, bạn sẽ học những điều cơ bản về cách áp dụng logistic regression và support vector machines (SVM) cho các bài toán phân loại. Bạn sẽ dùng thư viện <code>scikit-learn</code> để fit các mô hình phân loại vào dữ liệu thực tế.

Ôn lại scikit-learn

Phân loại KNN

So sánh mô hình

Overfitting

Ứng dụng logistic regression và SVM

Chạy LogisticRegression và SVC

Phân tích cảm xúc cho đánh giá phim

Bộ phân loại tuyến tính

Biên quyết định nào là tuyến tính?

Trực quan hóa ranh giới quyết định

Áp dụng logistic regression và SVM

Trong chương này, bạn sẽ khám phá khung khái niệm đứng sau logistic regression và SVM. Điều này giúp bạn đi sâu hơn vào cách các mô hình này vận hành bên trong.

Bộ phân loại tuyến tính: các hệ số

Mô hình dự đoán như thế nào

Thay đổi các hệ số của mô hình

Hàm mất mát là gì?

Hàm mất mát 0-1

Tối ưu hóa (giảm thiểu) hàm mất mát

Sơ đồ hàm mất mát

Các hàm loss cho phân loại

So sánh logistic loss và hinge loss

Tự triển khai logistic regression

Hàm mất mát

Trong chương này, bạn sẽ đào sâu vào chi tiết của logistic regression. Bạn sẽ học về regularization và cách diễn giải đầu ra của mô hình.

Hồi quy logistic và regularization

Hồi quy logistic có regularization

Logistic regression và chọn đặc trưng

Xác định các từ tích cực và tiêu cực nhất

Hồi quy logistic và xác suất

Lấy xác suất của từng lớp

Regularization và xác suất

Trực quan hóa ví dụ dễ và khó

Hồi quy logistic đa lớp

Đếm số hệ số

Huấn luyện logistic regression đa lớp

Trực quan hóa logistic regression đa lớp

SVM one-vs-rest

Logistic regression

Trong chương này, bạn sẽ tìm hiểu chi tiết về support vector machines. Bạn sẽ học cách tinh chỉnh siêu tham số cho các mô hình này và sử dụng kernel để fit các biên quyết định phi tuyến.

Các vector hỗ trợ

Định nghĩa support vector

Ảnh hưởng của việc loại bỏ mẫu

Kernel SVMs

Khởi động với GridSearchCV

Tinh chỉnh đồng thời gamma và C với GridSearchCV

So sánh hồi quy logistic và SVM (và hơn thế nữa)

Một lợi thế của SVM

Một ưu điểm của logistic regression

Sử dụng SGDClassifier

Kết luận

Support Vector Machines

Trong khóa học này, bạn sẽ học cách sử dụng các bộ phân loại tuyến tính, cụ thể là logistic regression và support vector machines, với scikit-learn. Sau khi biết cách áp dụng các phương pháp này, bạn sẽ đi sâu vào các ý tưởng đằng sau chúng và hiểu rõ điều gì khiến chúng hoạt động hiệu quả. Kết thúc khóa học, bạn sẽ biết cách huấn luyện, kiểm thử và tinh chỉnh các bộ phân loại tuyến tính này trong Python. Bạn cũng sẽ có nền tảng khái niệm để hiểu nhiều thuật toán Machine Learning khác.

Supervised Learning with scikit-learn

Trong khóa học này, bạn sẽ học về bộ phân loại tuyến tính như hồi quy logistic và SVM.

Bộ phân loại tuyến tính với Python

Trong khóa học này, bạn sẽ học chi tiết về các bộ phân loại tuyến tính như hồi quy logistic và SVM.

Chuyên gia Khoa học Học máy trong Python

Học máy có giám sát trong Python

Một ưu điểm của logistic regression

Bộ phân loại tuyến tính với Python

Bài tập tương tác thực hành