Aplicar regresión logística y SVM

Clasificadores lineales en Python

Michael (Mike) Gelbart

Instructor, The University of British Columbia

Usar LogisticRegression

from sklearn.linear_model import LogisticRegression

lr = LogisticRegression()

lr.fit(X_train, y_train)

lr.predict(X_test)

lr.score(X_test, y_test)

Ejemplo con LogisticRegression

import sklearn.datasets
wine = sklearn.datasets.load_wine()

from sklearn.linear_model import LogisticRegression
lr = LogisticRegression()
lr.fit(wine.data, wine.target)

lr.score(wine.data, wine.target)

0.966

lr.predict_proba(wine.data[:1])

array([[9.966e-01, 2.740e-03, 6.787e-04]])

Usar LinearSVC

LinearSVC funciona igual:

import sklearn.datasets

wine = sklearn.datasets.load_wine()

from sklearn.svm import LinearSVC

svm = LinearSVC()

svm.fit(wine.data, wine.target)

svm.score(wine.data, wine.target)

0.955

Usar SVC

import sklearn.datasets
wine = sklearn.datasets.load_wine()

from sklearn.svm import SVC
svm = SVC()
svm.fit(wine.data, wine.target);

svm.score(wine.data, wine.target)

0.708

Revisión de complejidad del modelo:

Subajuste: modelo demasiado simple, baja precisión en entrenamiento
Sobreajuste: modelo demasiado complejo, baja precisión en prueba

¡Vamos a practicar!

Clasificadores lineales en Python