Défi : Classification de Données Non Séparables

Dans ce défi, vous disposez du jeu de données suivant :


              1234
            
import pandas as pd

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b71ff7ac-3932-41d2-a4d8-060e24b00129/circles.csv')
print(df.head())

Voici son tracé.


              12345
            
import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b71ff7ac-3932-41d2-a4d8-060e24b00129/circles.csv')
plt.scatter(df['X1'], df['X2'], c=df['y'])

Le jeu de données n'est certainement pas linéairement séparable. Regardons la performance de la régression logistique :


              123456789101112
            
import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b71ff7ac-3932-41d2-a4d8-060e24b00129/circles.csv')
X = df[['X1', 'X2']]
y = df['y']

X = StandardScaler().fit_transform(X)
lr = LogisticRegression().fit(X, y)
print(cross_val_score(lr, X, y).mean())

Le résultat est terrible. La régression logistique classique n'est pas adaptée à cette tâche. Votre tâche est de vérifier si les PolynomialFeatures aideront. Pour trouver le meilleur paramètre C, vous utiliserez la classe GridSearchCV.

Dans ce défi, le Pipeline est utilisé. Vous pouvez le considérer comme une liste d'étapes de prétraitement. Sa méthode .fit_transform() applique séquentiellement .fit_transform() à chaque élément.

Tâche

Swipe to start coding

Construisez un modèle de régression logistique avec des caractéristiques polynomiales et trouvez le meilleur paramètre C en utilisant GridSearchCV

Créez un pipeline pour créer une variable X_poly qui contiendra les caractéristiques polynomiales de degré 2 de X et sera mise à l'échelle.
Créez un dictionnaire param_grid pour indiquer à GridSearchCV que vous souhaitez essayer les valeurs [0.01, 0.1, 1, 10, 100] d'un paramètre C.
Initialisez et entraînez un objet GridSearchCV.

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 2. Chapitre 6

Défi : Classification de Données Non Séparables

Dans ce défi, vous disposez du jeu de données suivant :


              1234
            
import pandas as pd

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b71ff7ac-3932-41d2-a4d8-060e24b00129/circles.csv')
print(df.head())

Voici son tracé.


              12345
            
import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b71ff7ac-3932-41d2-a4d8-060e24b00129/circles.csv')
plt.scatter(df['X1'], df['X2'], c=df['y'])

Le jeu de données n'est certainement pas linéairement séparable. Regardons la performance de la régression logistique :


              123456789101112
            
import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b71ff7ac-3932-41d2-a4d8-060e24b00129/circles.csv')
X = df[['X1', 'X2']]
y = df['y']

X = StandardScaler().fit_transform(X)
lr = LogisticRegression().fit(X, y)
print(cross_val_score(lr, X, y).mean())

Tâche

Swipe to start coding

Construisez un modèle de régression logistique avec des caractéristiques polynomiales et trouvez le meilleur paramètre C en utilisant GridSearchCV

Créez un pipeline pour créer une variable X_poly qui contiendra les caractéristiques polynomiales de degré 2 de X et sera mise à l'échelle.
Créez un dictionnaire param_grid pour indiquer à GridSearchCV que vous souhaitez essayer les valeurs [0.01, 0.1, 1, 10, 100] d'un paramètre C.
Initialisez et entraînez un objet GridSearchCV.

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 2. Chapitre 6

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous