Przejdź do głównej zawartości

logistic_regression

czym jest regresja logistyczna? ⭐​

  • Obejrzyj playliste Statquest'a i zrób z niej notatki.
  • Model statystyczny do przewidywania prawdopodobieństwa przynależności do jednej z dwóch klas.
  • Zamiast prostej liniowej zależności, używa funkcji sigmoidalnej (logistycznej).
  • Wynik: liczba z przedziału (0, 1) interpretowana jako prawdopodobieństwo.

zastosowania​

  • Klasyfikacja: spam/nie-spam, chory/zdrowy, sukces/porażka itd.
  • Podstawa wielu algorytmów klasyfikacyjnych.

przykładowy kod (scikit-learn)​

from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)

praktyczne ćwiczenia ⭐⭐⭐​

  • Zastosuj regresję logistyczną do klasyfikacji binarnej (np. Iris, Titanic).
  • Sprawdź, jak zmienia się wynik przy różnych cechach.
  • Narysuj wykres funkcji sigmoidalnej.

dobre praktyki​

  • Zrób własną regresję logistyczną przy użyciu jedynie NumPy (jak przy linearnej).
  • Sprawdzaj, czy dane są liniowo separowalne.
  • Analizuj macierz pomyłek i metryki klasyfikacji (accuracy, precision, recall).

polecane źródła​