4, random_state=1)
Créez maintenant un objet de régression logistique comme suit -
digreg = linear_model. LogisticRegression()
Maintenant, nous devons entraîner le modèle en utilisant les ensembles d'apprentissage comme suit -
(X_train, y_train)
Ensuite, faites les prédictions sur l'ensemble de test comme suit -
y_pred = edict(X_test)
Imprimez ensuite la précision du modèle comme suit -
print("Accuracy of Logistic Regression model is:",
curacy_score(y_test, y_pred)*100)
Production
Accuracy of Logistic Regression model is: 95. 6884561891516
À partir de la sortie ci-dessus, nous pouvons voir que la précision de notre modèle est d'environ 96%.
Regression Logistique Python Code
333333333333336
Précision sur l'ensemble de test par modèle sklearn: 61. 111111111111114
Remarque: Le modèle formé ci-dessus consiste à implémenter l'intuition mathématique non seulement pour améliorer la précision. Article written by mohit baliyan and translated by Acervo Lima from Implementation of Logistic Regression from Scratch using Python.
c_[(), ()]
probs = edict_prob(grid). reshape()
ntour(xx1, xx2, probs, [0. 5], linewidths=1, colors='red');
Modèle de régression logistique multinomiale
Une autre forme utile de régression logistique est la régression logistique multinomiale dans laquelle la variable cible ou dépendante peut avoir 3 types non ordonnés ou plus possibles, c'est-à-dire les types n'ayant aucune signification quantitative. Nous allons maintenant implémenter le concept ci-dessus de régression logistique multinomiale en Python. Pour cela, nous utilisons un ensemble de données de sklearn nommé digit. Regression logistique python.org. Import sklearn
from sklearn import linear_model
from sklearn import metrics
from del_selection import train_test_split
Ensuite, nous devons charger l'ensemble de données numériques -
digits = datasets. load_digits()
Maintenant, définissez la matrice de caractéristiques (X) et le vecteur de réponse (y) comme suit -
X =
y =
Avec l'aide de la prochaine ligne de code, nous pouvons diviser X et y en ensembles d'entraînement et de test -
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.