Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Apprendre Défi : Mise en Œuvre de la Régression Logistique | Régression Logistique
Classification Avec Python
course content

Contenu du cours

Classification Avec Python

Classification Avec Python

1. Classificateur K-NN
Qu'est-ce Que la ClassificationQu'est-ce Que k-NNK-NN avec Plusieurs CaractéristiquesImplémentation de k-NNClassification Multi-ClassesSéparation Train-Test. Validation CroiséeDéfi : Choisir la Meilleure Valeur de K.Résumé K-NN
2. Régression Logistique
Qu'est-ce Que la Régression LogistiqueTrouver les ParamètresDéfi : Mise en Œuvre de la Régression LogistiqueFrontière de DécisionSurapprentissage. RégularisationDéfi : Classification de Données Non SéparablesRésumé de la Régression Logistique
3. Arbre de Décision
Qu'est-ce Qu'un Arbre de DécisionFractionner les NœudsArbre FouDéfi : Implémenter un Arbre de DécisionRésumé de l'Arbre de Décision
4. Forêt Aléatoire
Qu'est-ce Que la Forêt AléatoireLe Caractère Aléatoire de la ForêtDéfi : Implémentation d'une Forêt AléatoireRésumé de la Forêt Aléatoire
5. Comparer les Modèles
Matrice de ConfusionMétriquesDéfi : Comparaison des ModèlesRésumé

book
Défi : Mise en Œuvre de la Régression Logistique

Maintenant, implémentons la régression logistique en Python !
Pour cela, la classe LogisticRegression est utilisée.

Notez que par défaut, la régression logistique utilise la régularisation ℓ2 (penalty='l2'). Nous parlerons de la régularisation dans les chapitres suivants. Pour l'instant, nous nous en tiendrons aux paramètres par défaut.

Le jeu de données pour ce chapitre concerne les campagnes marketing basées sur des appels téléphoniques d'une institution bancaire portugaise. L'objectif est de prédire si l'utilisateur souscrira à un dépôt à terme.
Les données sont déjà prétraitées et prêtes à être introduites dans le modèle. Les chapitres suivants couvriront le prétraitement nécessaire pour la régression logistique.

Tâche

Swipe to start coding

Construisez un modèle de régression logistique et calculez la précision sur l'ensemble d'entraînement.

  1. Importez la classe LogisticRegression.
  2. Créez une instance de la classe LogisticRegression avec les paramètres par défaut et entraînez-la.
  3. Imprimez la précision sur le même ensemble de données X, y.

Solution

Switch to desktopPassez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous
Tout était clair ?

Comment pouvons-nous l'améliorer ?

Merci pour vos commentaires !

Section 2. Chapitre 3
toggle bottom row

book
Défi : Mise en Œuvre de la Régression Logistique

Maintenant, implémentons la régression logistique en Python !
Pour cela, la classe LogisticRegression est utilisée.

Notez que par défaut, la régression logistique utilise la régularisation ℓ2 (penalty='l2'). Nous parlerons de la régularisation dans les chapitres suivants. Pour l'instant, nous nous en tiendrons aux paramètres par défaut.

Le jeu de données pour ce chapitre concerne les campagnes marketing basées sur des appels téléphoniques d'une institution bancaire portugaise. L'objectif est de prédire si l'utilisateur souscrira à un dépôt à terme.
Les données sont déjà prétraitées et prêtes à être introduites dans le modèle. Les chapitres suivants couvriront le prétraitement nécessaire pour la régression logistique.

Tâche

Swipe to start coding

Construisez un modèle de régression logistique et calculez la précision sur l'ensemble d'entraînement.

  1. Importez la classe LogisticRegression.
  2. Créez une instance de la classe LogisticRegression avec les paramètres par défaut et entraînez-la.
  3. Imprimez la précision sur le même ensemble de données X, y.

Solution

Switch to desktopPassez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous
Tout était clair ?

Comment pouvons-nous l'améliorer ?

Merci pour vos commentaires !

Section 2. Chapitre 3
Switch to desktopPassez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous
We're sorry to hear that something went wrong. What happened?
some-alt