0 dní v řadě · 0 bodů

Tahák · Python · Strojové učení

Logistická regrese

Model, který odpovídá ano, nebo ne a přidá k tomu pravděpodobnost. Sigmoida, log loss, trénink v NumPy a hotové řešení ve scikit-learn.

Otevřít celou lekciVšechny taháky
python
p = 1 / (1 + np.exp(-(X @ w + b)))           # sigmoida
loss = -np.mean(y*np.log(p) + (1-y)*np.log(1-p))
w -= lr * X.T @ (p - y) / len(y)             # krok na váhy
b -= lr * np.mean(p - y)                     # krok na posun

model = make_pipeline(StandardScaler(),
                      LogisticRegression(C=1.0, max_iter=1000))
model.fit(X_tr, y_tr)
model.predict(X_te)                          # třídy (práh 0,5)
model.predict_proba(X_te)[:, 1]              # P(třída classes_[1])
model[-1].coef_, model[-1].intercept_        # váhy a posun
# e^w = násobek šance, menší C = silnější regularizace