Regresia logistică

Machine Learning cu PySpark

Andrew Collier

Data Scientist, Fathom Data

Curba logistică

O curbă logistică.

Machine Learning cu PySpark

Curba logistică

O curbă logistică cu umbrire deasupra pragului

Machine Learning cu PySpark

Curba logistică

O curbă logistică cu umbrire sub prag

Machine Learning cu PySpark

Curba logistică

O curbă logistică deplasată spre dreapta

Machine Learning cu PySpark

Curba logistică

O curbă logistică deplasată spre stânga

Machine Learning cu PySpark

Curba logistică

O curbă logistică cu tranziție treptată

Machine Learning cu PySpark

Curba logistică

O curbă logistică cu tranziție abruptă

Machine Learning cu PySpark

Mașini - revenire

Pregătire pentru modelare:

  • reuniți predictorii într-o singură coloană (numită features) și
  • împărțiți datele în seturi de antrenament și testare.
+---+----+------+------+----+-----------+----------------------------------+-----+
|cyl|size|mass  |length|rpm |consumption|features                          |label|
+---+----+------+------+----+-----------+----------------------------------+-----+
|6  |3.0 |1451.0|4.775 |5200|9.05       |[6.0,3.0,1451.0,4.775,5200.0,9.05]|1.0  |
|4  |2.2 |1129.0|4.623 |5200|6.53       |[4.0,2.2,1129.0,4.623,5200.0,6.53]|0.0  |
|4  |2.2 |1399.0|4.547 |5600|7.84       |[4.0,2.2,1399.0,4.547,5600.0,7.84]|1.0  |
|4  |1.8 |1147.0|4.343 |6500|7.84       |[4.0,1.8,1147.0,4.343,6500.0,7.84]|0.0  |
|4  |1.6 |1111.0|4.216 |5750|9.05       |[4.0,1.6,1111.0,4.216,5750.0,9.05]|0.0  |
+---+----+------+------+----+-----------+----------------------------------+-----+
Machine Learning cu PySpark

Construirea unui model de regresie logistică

from pyspark.ml.classification import LogisticRegression

Creați un clasificator de regresie logistică.

logistic = LogisticRegression()

Învățați din datele de antrenament.

logistic = logistic.fit(cars_train)
Machine Learning cu PySpark

Predicții

prediction = logistic.transform(cars_test)

+-----+----------+---------------------------------------+
|label|prediction|probability                            |
+-----+----------+---------------------------------------+
|0.0  |0.0       |[0.8683802216422138,0.1316197783577862]|
|0.0  |1.0       |[0.1343792056399585,0.8656207943600416]|
|0.0  |0.0       |[0.9773546766387631,0.0226453233612368]|
|1.0  |1.0       |[0.0170508265586195,0.9829491734413806]|
|1.0  |0.0       |[0.6122241729292978,0.3877758270707023]|
+-----+----------+---------------------------------------+
Machine Learning cu PySpark

Precizie și recall

Cât de bine funcționează modelul pe datele de testare?

Consultați matricea de confuzie.

+-----+----------+-----+
|label|prediction|count|
+-----+----------+-----+
|  1.0|       1.0|    8| - TP (true positive)
|  0.0|       1.0|    4| - FP (false positive)
|  1.0|       0.0|    2| - FN (false negative)
|  0.0|       0.0|   10| - TN (true negative)
+-----+----------+-----+

# Precision (positive)
TP / (TP + FP)

0.6666666666666666

# Recall (positive)
TP / (TP + FN)

0.8
Machine Learning cu PySpark

Metrici ponderate

from pyspark.ml.evaluation import MulticlassClassificationEvaluator

evaluator = MulticlassClassificationEvaluator()

evaluator.evaluate(prediction, {evaluator.metricName: 'weightedPrecision'})

0.7638888888888888

Alte metrici:

  • weightedRecall
  • accuracy
  • f1
Machine Learning cu PySpark

ROC și AUC

O curbă ROC

ROC = „Receiver Operating Characteristic"

  • TP versus FP
  • prag = 0 (dreapta sus)
  • prag = 1 (stânga jos)

AUC = „Area under the curve"

  • ideal AUC = 1
Machine Learning cu PySpark

Să exersăm regresia logistică!

Machine Learning cu PySpark

Preparing Video For Download...