Этот пост предназначен для того, чтобы быстро освежить (таким образом, предполагается, что вы уже знакомы с материалом) концепции «логистической регрессии» (с использованием Python). Вы также можете рассматривать это как FAQ.
Для каких задач обычно подходит модель логистической регрессии?
Проблемы классификации. Например, предсказать, будет ли человек покупать продукт или нет (зависимая переменная), учитывая его возраст и зарплату (независимые переменные)
********************************************
Пример кода для подгонки логистической регрессии к набору?
from sklearn.linear_model import LogisticRegression
classifier = LogisticRegression (random_state = 0)
classifier.fit (X_train, y_train) # X_train - это обучающий набор для независимых переменных, а y_train - обучающий набор для зависимых переменных
# Прогнозирование результатов набора тестов
y_pred = classifier.predict (X_test)
********************************************
Что такое матрица неточностей?
Матрица неточностей дает нам представление о том, сколько прогнозов было правильным, а сколько - неправильным.
*******************************************
Код для создания матрицы неточностей?
from sklearn.metrics import confusion_matrix
cm = confusion_matrix (y_test, y_pred) #y_test - набор тестов для зависимой переменной
Далее: - Наука о данных (Python) :: K-NN (K - Ближайшие соседи)
Предыдущая: - Наука о данных :: Преимущества и недостатки каждой регрессионной модели
