Régression logistique multiclasse

Classificateurs linéaires en Python

Michael (Mike) Gelbart

Instructor, The University of British Columbia

Combiner des classificateurs binaires avec un contre-tous

lr0.fit(X, y==0)

lr1.fit(X, y==1)

lr2.fit(X, y==2)

# get raw model output
lr0.decision_function(X)[0]

6.124

lr1.decision_function(X)[0]

-5.429

lr2.decision_function(X)[0]

-7.532

lr = LogisticRegression(multi_class='ovr')
lr.fit(X, y)

lr.predict(X)[0]

0
Classificateurs linéaires en Python

Contre-tous :

  • ajuster un classificateur binaire par classe
  • prédire avec tous, prendre la sortie la plus grande
  • pour : simple, modulaire
  • contre : n'optimise pas directement l'exactitude
  • courant aussi pour les SVM
  • peut produire des probabilités

« Multinomial » ou « softmax » :

  • ajuster un seul classificateur pour toutes les classes
  • la prédiction donne directement la meilleure classe
  • contre : plus complexe, nouveau code
  • pour : s'attaque directement au problème
  • possible pour les SVM, mais moins courant
  • peut produire des probabilités
Classificateurs linéaires en Python

Coefficients du modèle en multiclasse

lr_ovr = LogisticRegression(multi_class='ovr') 

lr_ovr.fit(X,y)

lr_ovr.coef_.shape

(3,13)

lr_ovr.intercept_.shape

(3,)

lr_mn = LogisticRegression(multi_class="multinomial")
lr_mn.fit(X,y)

lr_mn.coef_.shape

(3,13)

lr_mn.intercept_.shape

(3,)
Classificateurs linéaires en Python

Passons à la pratique !

Classificateurs linéaires en Python

Preparing Video For Download...