Regressione logistica

Fondamenti di probabilità in Python

Alexander A. Ramírez M.

CEO @ Synergy Vision

Dati originali

Dati: ore di studio vs punteggio

Grafico: Promosso o Bocciato

animazione: dove tracciare la linea

Calcolo di probabilità con modello

Grafico della funzione logistica

$$ logistic(t) = logistic(slope*x + intercept) $$

animazione: parametro pendenza rende la sigmoide più ripida

grafico sigmoide con parametro intercetta

Calcolo di probabilità con modello logistico

Grafico esiti modello logistico

Calcolo probabilità ed errori di classificazione

# Import LogisticRegression
from sklearn.linear_model import LogisticRegression

# sklearn logistic model
model = LogisticRegression(C=1e9)
model.fit(hours_of_study, outcomes)

# Get parameters
beta1 = model.coef_[0][0]
beta0 = model.intercept_[0]

# Print parameters
print(beta1, beta0)

(1.3406531235010786, -15.05906237996095)

hours_of_study_test = [[10]]

outcome = model.predict(hours_of_study_test)
print(outcome)

array([False])

$$ $$

# Put value in an array
value = np.asarray(9).reshape(-1,1)
# Calculate the probability for 9 hours of study
print(model.predict_proba(value)[:,1])

array([0.04773474])

Fondamenti di probabilità in Python