Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Impara Sfida: Classificazione di Dati Inseparabili | Regressione Logistica
Classificazione con Python

bookSfida: Classificazione di Dati Inseparabili

Utilizzerai il seguente dataset con due caratteristiche:


              
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())
copy

Se esegui il codice qui sotto e osservi il grafico a dispersione risultante, noterai che il dataset non è linearmente separabile:


              
123456

            
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'])
plt.show()
copy

Utilizzo della validazione incrociata per valutare una semplice regressione logistica su questi dati:


              
123456789101112131415161718

            
import pandas as pd
import matplotlib.pyplot as plt
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)

y_pred = lr.predict(X)
plt.scatter(df['X1'], df['X2'], c=y_pred)
plt.show()

print(f'Cross-validation accuracy: {cross_val_score(lr, X, y).mean():.2f}')
copy

Come puoi vedere, la regressione logistica standard non è adatta a questo compito. L'utilizzo della regressione polinomiale può aiutare a migliorare le prestazioni del modello. Inoltre, l'impiego di GridSearchCV consente di trovare il parametro ottimale C per una maggiore accuratezza.

Questo esercizio utilizza anche la classe Pipeline. Puoi considerarla come una sequenza di fasi di pre-elaborazione. Il suo metodo .fit_transform() applica in sequenza .fit_transform() a ciascuna fase della pipeline.

Compito

Swipe to start coding

Ti viene fornito un dataset descritto come un DataFrame nella variabile df.

  • Crea una pipeline che includa le caratteristiche polinomiali di grado 2 di X, le scali e memorizza la pipeline risultante nella variabile pipe.
  • Crea un dizionario param_grid con i valori [0.01, 0.1, 1, 10, 100] per l'iperparametro C.
  • Inizializza e addestra un oggetto GridSearchCV e memorizza l'oggetto addestrato nella variabile grid_cv.

Soluzione

Tutto è chiaro?

Come possiamo migliorarlo?

Grazie per i tuoi commenti!

Sezione 2. Capitolo 6
single

single

Chieda ad AI

expand

Chieda ad AI

ChatGPT

Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione

Suggested prompts:

Can you explain how to use polynomial regression with this dataset?

How does GridSearchCV help in finding the optimal C parameter?

What is the purpose of using a Pipeline in this context?

close

Awesome!

Completion rate improved to 4.17

bookSfida: Classificazione di Dati Inseparabili

Scorri per mostrare il menu

Utilizzerai il seguente dataset con due caratteristiche:


              
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())
copy

Se esegui il codice qui sotto e osservi il grafico a dispersione risultante, noterai che il dataset non è linearmente separabile:


              
123456

            
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'])
plt.show()
copy

Utilizzo della validazione incrociata per valutare una semplice regressione logistica su questi dati:


              
123456789101112131415161718

            
import pandas as pd
import matplotlib.pyplot as plt
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)

y_pred = lr.predict(X)
plt.scatter(df['X1'], df['X2'], c=y_pred)
plt.show()

print(f'Cross-validation accuracy: {cross_val_score(lr, X, y).mean():.2f}')
copy

Come puoi vedere, la regressione logistica standard non è adatta a questo compito. L'utilizzo della regressione polinomiale può aiutare a migliorare le prestazioni del modello. Inoltre, l'impiego di GridSearchCV consente di trovare il parametro ottimale C per una maggiore accuratezza.

Questo esercizio utilizza anche la classe Pipeline. Puoi considerarla come una sequenza di fasi di pre-elaborazione. Il suo metodo .fit_transform() applica in sequenza .fit_transform() a ciascuna fase della pipeline.

Compito

Swipe to start coding

Ti viene fornito un dataset descritto come un DataFrame nella variabile df.

  • Crea una pipeline che includa le caratteristiche polinomiali di grado 2 di X, le scali e memorizza la pipeline risultante nella variabile pipe.
  • Crea un dizionario param_grid con i valori [0.01, 0.1, 1, 10, 100] per l'iperparametro C.
  • Inizializza e addestra un oggetto GridSearchCV e memorizza l'oggetto addestrato nella variabile grid_cv.

Soluzione

Switch to desktopCambia al desktop per esercitarti nel mondo realeContinua da dove ti trovi utilizzando una delle opzioni seguenti
Tutto è chiaro?

Come possiamo migliorarlo?

Grazie per i tuoi commenti!

Sezione 2. Capitolo 6
single

single

some-alt