羅吉斯回歸

Python 機率基礎

Alexander A. Ramírez M.

CEO @ Synergy Vision

原始資料

讀書時數 vs 分數資料

通過或未通過測試圖

如何劃分的動畫圖

以模型計算機率

羅吉斯函式圖

$$ logistic(t) = logistic(slope*x + intercept) $$

斜率參數讓 S 型函式更陡的動畫

截距參數的 S 型函式圖

使用羅吉斯模型計算機率

羅吉斯模型結果圖

機率計算與誤分類

# Import LogisticRegression
from sklearn.linear_model import LogisticRegression

# sklearn logistic model
model = LogisticRegression(C=1e9)
model.fit(hours_of_study, outcomes)

# Get parameters
beta1 = model.coef_[0][0]
beta0 = model.intercept_[0]

# Print parameters
print(beta1, beta0)

(1.3406531235010786, -15.05906237996095)

hours_of_study_test = [[10]]

outcome = model.predict(hours_of_study_test)
print(outcome)

array([False])

$$ $$

# Put value in an array
value = np.asarray(9).reshape(-1,1)
# Calculate the probability for 9 hours of study
print(model.predict_proba(value)[:,1])

array([0.04773474])

Python 機率基礎