Logistische Regression in Python - Building Classifier

Es ist nicht erforderlich, dass Sie den Klassifikator von Grund auf neu erstellen müssen. Das Erstellen von Klassifizierern ist komplex und erfordert Kenntnisse in verschiedenen Bereichen wie Statistik, Wahrscheinlichkeitstheorien, Optimierungstechniken usw. Auf dem Markt sind mehrere vorgefertigte Bibliotheken verfügbar, die eine vollständig getestete und sehr effiziente Implementierung dieser Klassifizierer aufweisen. Wir werden ein solches vorgefertigtes Modell aus demsklearn.

Der sklearn Classifier

Das Erstellen des Klassifikators für die logistische Regression aus dem sklearn-Toolkit ist trivial und erfolgt in einer einzigen Programmanweisung, wie hier gezeigt.

In [22]: classifier = LogisticRegression(solver='lbfgs',random_state=0)

Sobald der Klassifikator erstellt ist, geben Sie Ihre Trainingsdaten in den Klassifikator ein, damit dieser seine internen Parameter optimieren und für die Vorhersagen Ihrer zukünftigen Daten bereit sein kann. Um den Klassifikator abzustimmen, führen wir die folgende Anweisung aus:

In [23]: classifier.fit(X_train, Y_train)

Der Klassifikator ist jetzt zum Testen bereit. Der folgende Code ist die Ausgabe der Ausführung der beiden oben genannten Anweisungen -

Out[23]: LogisticRegression(C = 1.0, class_weight = None, dual = False, 
   fit_intercept=True, intercept_scaling=1, max_iter=100, 
   multi_class='warn', n_jobs=None, penalty='l2', random_state=0, 
   solver='lbfgs', tol=0.0001, verbose=0, warm_start=False))

Jetzt können wir den erstellten Klassifikator testen. Wir werden dies im nächsten Kapitel behandeln.