Régression logistique et régularisation

Classificateurs linéaires en Python

Michael (Mike) Gelbart

Instructor, The University of British Columbia

Régression logistique régularisée

Effet de la régularisation sur l'exactitude d'entraînement

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

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

plus de régularisation : exactitude d'entraînement plus faible

Effet de la régularisation sur l'exactitude de test

lr_weak_reg.score(X_test, y_test)

0.86

lr_strong_reg.score(X_test, y_test)

0.88

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

plus de régularisation : exactitude d'entraînement plus faible
plus de régularisation : (presque toujours) exactitude de test plus élevée

Régularisation L1 vs L2

Lasso = régression linéaire avec régularisation L1
Crête (Ridge) = régression linéaire avec régularisation L2
Pour d'autres modèles comme la régression logistique, on dit simplement L1, L2, etc.

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())

Régularisation L2 vs L1

Passons à la pratique !

Classificateurs linéaires en Python