Regresja logistyczna i regularyzacja

Liniowe klasyfikatory w Pythonie

Michael (Mike) Gelbart

Instructor, The University of British Columbia

Regularyzowana regresja logistyczna

Jak regularyzacja wpływa na dokładność treningową?

lr_weak_reg = LogisticRegression(C=100)
lr_strong_reg = LogisticRegression(C=0.01)


lr_weak_reg.fit(X_train, y_train)
lr_strong_reg.fit(X_train, y_train)


lr_weak_reg.score(X_train, y_train)
lr_strong_reg.score(X_train, y_train)

1.0
0.92

$\text{regularized loss = original loss + large coefficient penalty}$

większa regularyzacja: niższa dokładność na zbiorze treningowym

Jak regularyzacja wpływa na dokładność testową?

lr_weak_reg.score(X_test, y_test)

0.86

lr_strong_reg.score(X_test, y_test)

0.88

$\text{regularized loss = original loss + large coefficient penalty}$

większa regularyzacja: niższa dokładność na zbiorze treningowym
większa regularyzacja: (prawie zawsze) wyższa dokładność na zbiorze testowym

Regularyzacja L1 a L2

Lasso = regresja liniowa z regularyzacją L1
Ridge = regresja liniowa z regularyzacją L2
W przypadku innych modeli (np. regresji logistycznej) używamy nazw L1, L2 itp.

lr_L1 = LogisticRegression(solver='liblinear', penalty='l1')
lr_L2 = LogisticRegression() # penalty='l2' by default

lr_L1.fit(X_train, y_train)
lr_L2.fit(X_train, y_train)

plt.plot(lr_L1.coef_.flatten())
plt.plot(lr_L2.coef_.flatten())

Regularyzacja L2 a L1

Czas na ćwiczenia!

Liniowe klasyfikatory w Pythonie