Logistická regrese

Základy pravděpodobnosti v Pythonu

Alexander A. Ramírez M.

CEO @ Synergy Vision

Původní data

Data: počet hodin studia vs. skóre

Graf testu: složil/nesložil

Animace: kde by jste nakreslili hranici?

Výpočet pravděpodobnosti pomocí modelu

Graf logistické funkce

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

Animace strmější sigmoidní funkce při změně parametru sklonu

Graf sigmoidní funkce s parametrem průsečíku

Výpočet pravděpodobnosti pomocí logistického modelu

Graf výstupů logistického modelu

Výpočet pravděpodobnosti a chybná klasifikace

# 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])

Základy pravděpodobnosti v Pythonu