Логістична регресія: повторення
Аналіз тональності в Python
Violeta Misheva
Data Scientist
Складні моделі та регуляризація
Складні моделі:
- Складна модель, що підлаштовується під шум у даних (перенавчання)
- Велика кількість ознак або параметрів
Регуляризація:
- Спосіб спростити модель і зменшити її складність
Регуляризація в логістичній регресії
from sklearn.linear_model import LogisticRegression
# Параметри регуляризації
LogisticRegression(penalty='l2', C=1.0)
- L2: зменшує всі коефіцієнти до нуля
- Високі значення C: слабке штрафування, модель добре підганяється під тренувальні дані.
- Низькі значення C: сильне штрафування, модель менш гнучка.
Прогноз імовірності vs. прогноз класу
log_reg = LogisticRegression().fit(X_train, y_train)
# Прогноз міток
y_predicted = log_reg.predict(X_test)
# Прогноз імовірностей
y_probab = log_reg.predict_proba(X_test)
Прогноз імовірності vs. прогноз класу
y_probab
array([[0.5002245, 0.4997755],
[0.4900345, 0.5099655],
...,
[0.7040499, 0.2959501]])
# Виберіть імовірності класу 1
y_probab = log_reg.predict_proba(X_test)[:, 1]
array([0.4997755, 0.5099655 ..., 0.2959501]])
Метрики моделі для передбачених імовірностей
- Викликає ValueError, якщо застосувати до ймовірностей.
- Точність і матриця похибок працюють із класами.
# Типове кодування ймовірності:
# Якщо ймовірність >= 0.5, тоді клас 1, інакше клас 0
Давайте потренуємось!
Аналіз тональності в Python
