在本章中，你會學到如何將邏輯斯回歸與支援向量機（SVM）應用到分類問題。你將使用 <code>scikit-learn</code> 函式庫，將分類模型擬合到真實資料。

scikit-learn 複習

KNN 分類

比較模型

過度擬合

套用 logistic regression 與 SVM

執行 LogisticRegression 與 SVC

電影評論的情緒分析

線性分類器

哪一個決策邊界是線性的？

視覺化決策邊界

套用邏輯斯回歸與 SVM

在本章中，你會了解邏輯斯回歸與 SVM 背後的概念架構。這能讓你更深入探究這些模型的內在機制。

線性分類器：係數

模型如何做出預測

調整模型係數

什麼是損失函式？

0-1 損失

使損失函式最小化

損失函式圖示

分類的損失函式

比較 logistic 與 hinge 損失

實作 logistic regression

損失函式

在本章中，你會深入探討邏輯斯回歸的細節。你將學習正規化，以及如何解讀模型輸出。

Logistic regression 與正規化

帶正規化的 logistic regression

Logistic regression 與特徵選擇

找出最正面與最負面的單字

Logistic regression 與機率

取得類別機率

正規化與機率

視覺化容易與困難的範例

多類別 Logistic Regression

係數怎麼數

擬合多類別 logistic regression

視覺化多類別 logistic regression

One-vs-rest SVM

邏輯斯回歸

在本章中，你會完整學習支援向量機的細節。你將學會如何為這些模型調整超參數，並使用核函數來擬合非線性決策邊界。

支持向量

支援向量的定義

移除樣本的影響

Kernel SVMs

GridSearchCV 暖身操

使用 GridSearchCV 同步調整 gamma 與 C

比較邏輯斯迴歸與 SVM（以及更進一步）

SVM 的一項優勢

邏輯迴歸的一項優勢

使用 SGDClassifier

結語

支援向量機

在這門課中，你會學習如何使用線性分類器，特別是使用 scikit-learn 進行邏輯斯回歸與支援向量機（SVM）。當你學會如何套用這些方法之後，還會進一步理解其背後的概念，找出模型運作的關鍵。課程結束時，你將知道如何在 Python 中訓練、測試並調整這些線性分類器，同時也會打下理解其他許多機器學習演算法的概念基礎。

Supervised Learning with scikit-learn

在此課程中，您將學習線性分類器的細節，如邏輯迴歸和支持向量機。

Python 中的線性分類器

掌握線性分類器，包括 logistic regression 和 SVM 的原理與應用。

比較邏輯斯迴歸與 SVM（以及更進一步）

Create Your Free Account