Lojistik regresyon: yeniden ele alındı
Python ile Duygu Analizi
Violeta Misheva
Data Scientist
Karmaşık modeller ve düzenlileştirme
Karmaşık modeller:
- Verideki gürültüyü yakalayan model (aşırı öğrenme)
- Çok sayıda özellik veya parametreye sahip olmak
Düzenlileştirme:
- Modeli sadeleştirmenin ve daha az karmaşık kılmanın bir yolu
Lojistik regresyonda düzenlileştirme
from sklearn.linear_model import LogisticRegression
# Regularization arguments
LogisticRegression(penalty='l2', C=1.0)
- L2: tüm katsayıları sıfıra doğru küçültür
- C yüksek: düşük ceza, model eğitim verisine iyi uyar.
- C düşük: yüksek ceza, model daha az esnektir.
Olasılık tahmini vs. sınıf tahmini
log_reg = LogisticRegression().fit(X_train, y_train)
# Etiketleri tahmin et
y_predicted = log_reg.predict(X_test)
# Olasılık tahmin et
y_probab = log_reg.predict_proba(X_test)
Olasılık tahmini vs. sınıf tahmini
y_probab
array([[0.5002245, 0.4997755],
[0.4900345, 0.5099655],
...,
[0.7040499, 0.2959501]])
# Sınıf 1'in olasılıklarını seç
y_probab = log_reg.predict_proba(X_test)[:, 1]
array([0.4997755, 0.5099655 ..., 0.2959501]])
Tahmin edilen olasılıklarla model metrikleri
- Olasılıklarla kullanıldığında ValueError verir.
- Doğruluk skoru ve karmaşıklık matrisi sınıflarla çalışır.
# Varsayılan olasılık kodlaması:
# Olasılık >= 0.5 ise sınıf 1, değilse sınıf 0
Haydi pratik yapalım!
Python ile Duygu Analizi
