Livro de receitas de aprendizagem automática com Python, 2ª edição

Capítulo 16. Regressão logística

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: [e-mail]

16.0 Introdução

Apesar de ser chamada de regressão, a regressão logística é, na verdade, uma técnica de classificação supervisionada amplamente utilizada . A regressão logística (e as suas extensões, como a regressão logística multinomial) é uma abordagem direta e bem compreendida para prever a probabilidade de uma observação pertencer a uma determinada classe. Neste capítulo, iremos abordar o treino de uma variedade de classificadores utilizando a regressão logística no scikit-learn.

16.1 Treinar um classificador binário

Problema

Tens de treinar um modelo de classificador simples.

Solução

Treina uma regressão logística em scikit-learn utilizando LogisticRegression:

# Load libraries
from sklearn.linear_model import LogisticRegression
from sklearn import datasets
from sklearn.preprocessing import StandardScaler

# Load data with only two classes
iris = datasets.load_iris()
features = iris.data[:100,:]
target = iris.target[:100]

# Standardize features
scaler = StandardScaler()
features_standardized = scaler.fit_transform(features)

# Create logistic regression object
logistic_regression = LogisticRegression(random_state=0)

# Train model
model = logistic_regression.fit(features_standardized, target)

Debate

Apesar de ter "regressão" no nome, uma regressão logística é, na verdade, um classificador binário amplamente utilizado ...