Как бы выглядела ваша модель логистической регрессии?

Типы логистической регрессии

===========================

Логистическую регрессию можно разделить на типы в зависимости от типа классификации, которую она выполняет. С учетом этого существует 3 типа логистической регрессии :-

Бинарная логистическая регрессия

Полиномиальная логистическая регрессия

Порядковая логистическая регрессия

====================================

Бинарная логистическая регрессия

Бинарная логистическая регрессия является наиболее часто используемым типом.

В этом типе зависимая/целевая переменная имеет два разных значения: 0 или 1, злокачественное или доброкачественное,

пройдено или не пройдено, допущено или не допущено.

====================================

Пример логистической регрессии в Python

====================================

В общем, бинарная логистическая регрессия описывает взаимосвязь между зависимой бинарной переменной и одной или несколькими независимыми переменными. Бинарная зависимая переменная имеет два возможных результата:

«1» для истины/успеха; или

«0» для ложного/неудачного

Давайте теперь посмотрим, как применить логистическую регрессию в Python на практическом примере.

Шаги по применению логистической регрессии в Python

Шаг 1. Собираем данные

Чтобы начать с простого примера, предположим, что ваша цель — построить модель логистической регрессии на Python, чтобы определить, будут ли кандидаты поступать в престижный университет.Здесь есть два возможных результата: допущено (представлено значением «1») и отклонено (представлено значением «0»).

Затем вы можете построить логистическую регрессию в Python, где: Зависимая переменная показывает, принимается ли человек; а также

3 независимые переменные: балл GMAT, средний балл и количество лет опыта работы.Вот как будет выглядеть набор данных:

Обратите внимание, что приведенный выше набор данных содержит 40 наблюдений. На практике вам понадобится больший размер выборки, чтобы получить более точные результаты. Затем примените train_test_split. Например, вы можете установить размер теста равным 0,25, и поэтому тестирование модели будет основано на 25% набора данных, а обучение модели будет основано на 75% набора данных. Запустите код на Python, и вы получите следующую матрицу путаницы с точностью 0,8 (обратите внимание, что в зависимости от вашей версии sklearn вы можете получить разные результаты точности.

==================

Импортируйте необходимые пакеты в Python виртуальное окружение.

Прежде чем начать, убедитесь, что в Python установлены следующие пакеты:

Выполним Code1 https://informatics-ege.blogspot.com/2022/02/logistic-regression-in-python.html

Как видно из матрицы:

TP = Истинные положительные результаты = 4

TN = истинно отрицательные значения = 4

FP = ложные срабатывания = 1

FN = ложноотрицательные результаты = 1

Затем вы также можете получить Точность, используя:

Точность = (TP+TN)/Всего = (4+4)/10 = 0,8

=========================================

Таким образом, точность тестового набора составляет 80%.

=========================================

Погружение глубже в результаты

Давайте теперь напечатаем два компонента в коде Python:

печать (X_test)

печать (y_pred)

Выполним Code2 https://informatics-ege.blogspot.com/2022/02/logistic-regression-in-python.html

** gmat gpa work_experience

22 550 2.3 4

20 620 3.3 2

25 670 3.3 6

4 680 3.9 4

10 610 2.7 3

15 610 3.0 1

28 650 3.7 6

11 690 3.7 5

18 540 2.7 2

29 660 3.3 5

[0 0 1 1 0 0 1 1 0 1]

Напомним, что наш исходный набор данных (из шага 1) содержал 40 наблюдений. Поскольку мы установили размер теста равным 0,25, матрица путаницы отобразила результаты для 10 записей (=40*0,25). Это 10 тестовых записей:

В фактическом наборе данных (из шага 1) вы увидите, что для тестовых данных мы получили правильные результаты в 8 из 10 раз:

Это соответствует уровню точности 80%

=======================

Проверка прогноза для нового набора данных

Допустим, у вас есть новый набор данных с 5 новыми кандидатами:

Полный код для получения прогноза для 5 новых кандидатов:

Выполним Code3 https://informatics-ege.blogspot.com/2022/02/logistic-regression-in-python.html

** gmat gpa work_experience

0 590 2.0 3

1 740 3.7 4

2 680 3.3 6

3 610 2.3 1

4 710 3.0 5

[0 1 1 0 1]

Ожидается, что первый и четвертый кандидаты не будут допущены, а остальные кандидаты, как ожидается, будут допущены.

Источник https://datatofish.com/logistic-regression-python/