本章将带您学习将逻辑回归和支持向量机（SVM）用于分类问题的基础方法。您将使用 <code>scikit-learn</code> 库在真实数据上拟合分类模型。

scikit-learn 速览

KNN 分类

比较模型

过拟合

应用 Logistic Regression 与 SVM

运行 LogisticRegression 和 SVC

电影评论的情感分析

线性分类器

哪条决策边界是线性的？

可视化决策边界

应用逻辑回归与 SVM

本章将带您了解逻辑回归和 SVM 背后的概念框架。由此，您可以更深入地理解这些模型的内部机理。

线性分类器：系数

模型如何进行预测

调整模型系数

什么是损失函数？

0-1 损失

最小化损失函数

损失函数示意图

分类损失函数

对比 logistic 损失与 hinge 损失

实现 logistic 回归

损失函数

本章将深入讲解逻辑回归的细节。您将学习正则化的要点，以及如何解读模型输出。

Logistic regression 与正则化

带正则化的逻辑回归

逻辑回归与特征选择

找出最正面和最负面的词

Logistic 回归与概率

获得类别概率

正则化与概率

可视化简单与困难的样本

多类别逻辑回归

统计系数数量

拟合多类别逻辑回归

可视化多类逻辑回归

One-vs-rest SVM

逻辑回归

本章将系统讲解支持向量机的细节。您将学习如何为这些模型调节超参数，并使用核方法拟合非线性决策边界。

支持向量

支持向量的定义

移除样本的影响

核函数 SVM

GridSearchCV 热身

使用 GridSearchCV 联合调优 gamma 和 C

比较逻辑回归与 SVM（以及更进一步）

SVM 的一个优势

逻辑回归的一个优势

使用 SGDClassifier

总结

支持向量机

在本课程中，您将学习如何使用 scikit-learn 应用线性分类器，重点是逻辑回归和支持向量机。掌握这些方法的用法后，您还将深入理解其背后的思想，了解它们为何奏效。课程结束时，您将能够在 Python 中训练、测试并调优这些线性分类器。同时，您也会打下理解更多机器学习算法所需的概念基础。

Supervised Learning with scikit-learn

本课程涵盖线性分类器的细节，如逻辑回归和支持向量机。

Python 中的线性分类器

在本课程中，你将学习逻辑回归和 SVM 等线性分类器的细节。

机器学习科学家 在 Python 中

监督机器学习 在 Python 中

支持向量的定义

Python 中的线性分类器

动手互动练习