Логистическая регрессия и регуляризация

Линейные классификаторы в Python

Michael (Mike) Gelbart

Instructor, The University of British Columbia

Регуляризованная логистическая регрессия

Как регуляризация влияет на точность при обучении?

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

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

сильнее регуляризация — ниже точность на обучении

Как регуляризация влияет на точность на тесте?

lr_weak_reg.score(X_test, y_test)

0.86

lr_strong_reg.score(X_test, y_test)

0.88

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

сильнее регуляризация — ниже точность на обучении
сильнее регуляризация — (почти всегда) выше точность на тесте

L1 и L2 регуляризация

Lasso = линейная регрессия с L1-регуляризацией
Ridge = линейная регрессия с L2-регуляризацией
Для других моделей, например логистической регрессии, используют просто L1, L2 и т. д.

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())

L2 и L1 регуляризация

Давайте потренируемся!

Линейные классификаторы в Python