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 regularizaceTahák · 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.