Linjära klassificerare: prediktion

Linjära klassificerare i Python

Michael (Mike) Gelbart

Instructor, The University of British Columbia

Skalärprodukter

x = np.arange(3)
x

array([0, 1, 2])

y = np.arange(3,6)
y

array([3, 4, 5])

x*y

array([0, 4, 10])

np.sum(x*y)

x@y

$\textrm{raw model output} = \textrm{coefficients} \cdot \textrm{features} + \textrm{intercept}$
Prediktion med linjär klassificerare: beräkna modellens råutdata och kontrollera tecknet
- om positivt, prediktera en klass
- om negativt, prediktera den andra klassen
Detsamma gäller logistisk regression och linjär SVM
- fit skiljer sig men predict är densamma

$\textrm{raw model output} = \textrm{coefficients} \cdot \textrm{features} + \textrm{intercept}$

lr = LogisticRegression()

lr.fit(X,y)

lr.predict(X)[10]

lr.predict(X)[20]

lr.coef_ @ X[10] + lr.intercept_ # raw model output

array([-33.78572166])

lr.coef_ @ X[20] + lr.intercept_ # raw model output

array([ 0.08050621])

Linjära klassificerare i Python