Логистическая регрессия в Python - построение классификатора

Нет необходимости создавать классификатор с нуля. Построение классификаторов сложное и требует знания нескольких областей, таких как статистика, теории вероятностей, методы оптимизации и так далее. На рынке доступно несколько готовых библиотек, которые имеют полностью протестированную и очень эффективную реализацию этих классификаторов. Мы будем использовать одну такую ​​готовую модель изsklearn.

Классификатор sklearn

Создание классификатора логистической регрессии из набора инструментов sklearn тривиально и выполняется с помощью одного программного оператора, как показано здесь -

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

После создания классификатора вы введете свои обучающие данные в классификатор, чтобы он мог настроить свои внутренние параметры и быть готовым к прогнозам на основе ваших будущих данных. Чтобы настроить классификатор, мы запускаем следующий оператор -

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

Классификатор готов к тестированию. Следующий код является результатом выполнения двух вышеуказанных операторов:

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))

Теперь мы готовы протестировать созданный классификатор. Мы рассмотрим это в следующей главе.