Classificatori lineari: equazioni di predizione

Classificatori lineari in Python

Michael (Mike) Gelbart

Instructor, The University of British Columbia

Prodotto scalare

x = np.arange(3)
x

array([0, 1, 2])

y = np.arange(3,6)
y

array([3, 4, 5])

x*y

array([0, 4, 10])

np.sum(x*y)

x@y

$\textrm{raw model output} = \textrm{coefficients} \cdot \textrm{features} + \textrm{intercept}$
Predizione di un classificatore lineare: calcola il raw model output, controlla il segno
- se positivo, predici una classe
- se negativo, predici l'altra classe
Vale sia per regressione logistica sia per SVM lineare
- fit è diverso ma predict è uguale

$\textrm{raw model output} = \textrm{coefficients} \cdot \textrm{features} + \textrm{intercept}$

lr = LogisticRegression()

lr.fit(X,y)

lr.predict(X)[10]

lr.predict(X)[20]

lr.coef_ @ X[10] + lr.intercept_ # raw model output

array([-33.78572166])

lr.coef_ @ X[20] + lr.intercept_ # raw model output

array([ 0.08050621])

Classificatori lineari in Python