Regresja logistyczna

Podstawy rachunku prawdopodobieństwa w Pythonie

Alexander A. Ramírez M.

CEO @ Synergy Vision

Dane wejściowe

Dane: godziny nauki a wynik

Wykres: zdany lub niezdany egzamin

Animacja: gdzie przeprowadzić granicę klasyfikacji

Obliczanie prawdopodobieństwa za pomocą modelu

Wykres funkcji logistycznej

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

Animacja parametru nachylenia zmieniającego stromość funkcji sigmoidalnej

Wykres funkcji sigmoidalnej z parametrem przesunięcia

Obliczanie prawdopodobieństwa za pomocą modelu logistycznego

Wykres wyników modelu logistycznego

Obliczanie prawdopodobieństwa i błędne klasyfikacje

# 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])

Podstawy rachunku prawdopodobieństwa w Pythonie