Logistic 回归 vs 分类树

分类树将特征空间划分为矩形区域。相比之下，像逻辑回归这样的线性模型只会产生一条线性的决策边界，把特征空间分成两个决策区域。

我们已编写了一个名为 plot_labeled_decision_regions() 的自定义函数，您可以用它来绘制包含两个已训练分类器的列表的决策区域。您可以在控制台输入 help(plot_labeled_decision_regions) 以了解该函数的更多信息。

X_train、X_test、y_train、y_test、您在前一练习中训练的模型 dt，以及函数 plot_labeled_decision_regions() 均已在您的工作区中可用。

本练习是课程的一部分

Python 树模型机器学习

查看课程

练习说明

从 sklearn.linear_model 导入 LogisticRegression。
实例化一个 LogisticRegression 模型，并将其赋值给 logreg。
将 logreg 拟合到训练集上。
查看 plot_labeled_decision_regions() 生成的图形。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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)

编辑并运行代码