Maschinelles Lernen mit Python Kochbuch, 2.

Kapitel 16. Logistische Regression

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

16.0 Einleitung

Obwohl sie Regression genannt wird, ist die logistische Regression eigentlich eine weit verbreitete überwachte Klassifizierungstechnik. Die logistische Regression (und ihre Erweiterungen wie die multinomiale logistische Regression) ist ein einfacher, gut verstandener Ansatz zur Vorhersage der Wahrscheinlichkeit, dass eine Beobachtung zu einer bestimmten Klasse gehört. In diesem Kapitel werden wir uns mit dem Training verschiedener Klassifikatoren mithilfe der logistischen Regression in scikit-learn beschäftigen.

16.1 Training eines binären Klassifikators

Problem

Du musst ein einfaches Klassifizierungsmodell trainieren.

Lösung

Trainiere eine logistische Regression in scikit-learn mit 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)

Diskussion

Obwohl sie "Regression" im Namen trägt, ist die ...