Логистическая регрессия (LR) - простой, но достаточно эффективный метод решения задач бинарной классификации. Существует множество библиотек машинного обучения с открытым исходным кодом, которые можно использовать для создания моделей LR.
Keras (с Tensorflow в качестве серверной части) - это мощный инструмент для быстрого программирования ваших усилий по моделированию машинного обучения. Основной вариант использования - создание и развертывание глубоких нейронных сетей. LR-модели можно рассматривать как частные случаи нейронных сетей (то есть однослойную модель без каких-либо скрытых слоев), поэтому, естественно, Keras хорошо подходит.
Теперь давайте посмотрим на это в действии. Как и в случае с любым проектом машинного обучения, не забудьте сначала очистить и предварительно обработать данные, а затем вычислить интуитивно понятные функции для изучения модели.
Приведенный выше код строит однослойную плотносвязную сеть. Он использует регуляризацию L2 с коэффициентом 0,1 (но вы должны определить лучшее значение, используя перекрестную проверку на своих собственных данных). Точно так же вы можете использовать больше или меньше эпох для тренировки, в зависимости от вашей ситуации. Такая настройка параметров должна выполняться в индивидуальном порядке.
использованная литература
(1). Автор Кераса привел несколько примеров. Они использовали Keras API до версии 2.0. Вы можете увидеть предупреждения, если у вас установлена версия 2.0+.
(2). В этом среднем сообщении в блоге показан пример с набором данных MNIST. Однако изначально мне не удавалось заставить код работать как есть. Не очень уверен, почему, но в любом случае простое исправление, которое помещает все входные данные в массивы numpy, сработало (как показано в приведенном выше фрагменте кода).
