Логистическая регрессия - Часть III - Прогноз выживания при катастрофе на Титанике В этой статье мы будем исследовать набор данных Titanic с логистической регрессией и классификационными метриками. Давайте посмотрим, как выполнить логистическую регрессию с помощью Python - LogisticRegression () из sklearn. Я взял набор данных Титаника от Kaggle. Https://www.kaggle.com/c/titanic/data Здесь я пропустил раздел обработки данных, кроме кодирования. Я напишу новый пост..

Вместо того, чтобы брать точные метки классов для оценки модели, всегда лучше использовать вероятности, потому что обычно метка класса определяется на основе порога 0,5. Ну и что, что почти все значения вероятности составляют всего 0,51 для положительного класса. Модель не совсем точна, но мы классифицируем ее как положительную. Поэтому, чтобы лучше понять производительность модели, мы берем значения вероятности. А теперь, как рассчитывается roc_auc? Вот как: сначала мы получаем все..

Когда вы выполнили исследовательский анализ данных в своем наборе необработанных данных, установили все параметры, и теперь вы хотите выбрать наиболее эффективную модель на основе вашего бизнес-вывода. Это делается путем оценки модели по некоторым показателям. Различные алгоритмы машинного обучения имеют разные показатели производительности. Для регрессии у нас есть R-квадрат, MAE, RMSE и другие, а для классификации у нас есть площадь под кривой (AUC), чувствительность, специфичность и..