Hồi quy logistic: ôn lại
Phân tích cảm xúc với Python
Violeta Misheva
Data Scientist
Mô hình phức tạp và regularization
Mô hình phức tạp:
- Mô hình phức tạp học cả nhiễu trong dữ liệu (overfitting)
- Có nhiều đặc trưng hoặc tham số
Regularization:
- Cách đơn giản hóa để có mô hình ít phức tạp hơn
Regularization trong hồi quy logistic
from sklearn.linear_model import LogisticRegression
# Regularization arguments
LogisticRegression(penalty='l2', C=1.0)
- L2: co tất cả hệ số về gần 0
- C lớn: phạt thấp, mô hình khớp dữ liệu huấn luyện tốt.
- C nhỏ: phạt cao, mô hình kém linh hoạt.
Dự đoán xác suất vs. dự đoán lớp
log_reg = LogisticRegression().fit(X_train, y_train)
# Dự đoán nhãn
y_predicted = log_reg.predict(X_test)
# Dự đoán xác suất
y_probab = log_reg.predict_proba(X_test)
Dự đoán xác suất vs. dự đoán lớp
y_probab
array([[0.5002245, 0.4997755],
[0.4900345, 0.5099655],
...,
[0.7040499, 0.2959501]])
# Chọn xác suất của lớp 1
y_probab = log_reg.predict_proba(X_test)[:, 1]
array([0.4997755, 0.5099655 ..., 0.2959501]])
Chỉ số mô hình với xác suất dự đoán
- Gây ValueError khi áp dụng với xác suất.
- Accuracy và ma trận nhầm lẫn dùng cho nhãn lớp.
# Mã hóa xác suất mặc định:
# Nếu xác suất >= 0.5 thì lớp 1, ngược lại lớp 0
Ayo berlatih!
Phân tích cảm xúc với Python
