0 added
0 removed
Original
2026-01-01
Modified
2026-03-10
1
<p>Теги: python, машинное обучение, machine learning, алгоритм, линейная регрессия</p>
1
<p>Теги: python, машинное обучение, machine learning, алгоритм, линейная регрессия</p>
2
<p>Логистическая регрессия представляет собой алгоритм контролируемой классификации. С её помощью вы сможете предсказывать значения непрерывной зависимой переменной в интервале от 0 до 1. Некоторые основные аспекты логистической регрессии находятся в основе важных алгоритмов машинного обучения, позволяющих, к примеру, повышать точность прогноза нейросетевой модели. Для лучшего понимания данного нюанса посмотрите вот<a>это видео</a>.</p>
2
<p>Логистическая регрессия представляет собой алгоритм контролируемой классификации. С её помощью вы сможете предсказывать значения непрерывной зависимой переменной в интервале от 0 до 1. Некоторые основные аспекты логистической регрессии находятся в основе важных алгоритмов машинного обучения, позволяющих, к примеру, повышать точность прогноза нейросетевой модели. Для лучшего понимания данного нюанса посмотрите вот<a>это видео</a>.</p>
3
<p>Мы же попробуем реализовать алгоритм логистической регрессии, используя язык программирования Python:</p>
3
<p>Мы же попробуем реализовать алгоритм логистической регрессии, используя язык программирования Python:</p>
4
<p><strong>Начало работы</strong>:</p>
4
<p><strong>Начало работы</strong>:</p>
5
from sklearn.linear_model import LogisticRegression df = pd.read_csv('logistic regression df.csv') df.columns = ['X', 'Y'] df.head()<p>А теперь давайте посмотрим на<strong>визуализацию</strong>:</p>
5
from sklearn.linear_model import LogisticRegression df = pd.read_csv('logistic regression df.csv') df.columns = ['X', 'Y'] df.head()<p>А теперь давайте посмотрим на<strong>визуализацию</strong>:</p>
6
sns.set_context("notebook", font_scale=1.1) sns.set_style("ticks") sns.regplot('X','Y', data=df, logistic=True) plt.ylabel('Probability') plt.xlabel('Explanatory')<p>Что же, осталось реализовать, собственно, сам алгоритм:</p>
6
sns.set_context("notebook", font_scale=1.1) sns.set_style("ticks") sns.regplot('X','Y', data=df, logistic=True) plt.ylabel('Probability') plt.xlabel('Explanatory')<p>Что же, осталось реализовать, собственно, сам алгоритм:</p>
7
logistic = LogisticRegression() X = (np.asarray(df.X)).reshape(-1, 1) Y = (np.asarray(df.Y)).ravel() logistic.fit(X, Y) logistic.score(X, Y) print('Coefficient: \n', logistic.coef_) print('Intercept: \n', logistic.intercept_) print('R² Value: \n', logistic.score(X, Y))<p>Также, возможно, вам будет интересно: - "<a>Реализуем линейную регрессию на Python</a>"; - "<a>Основные алгоритмы машинного обучения</a>".</p>
7
logistic = LogisticRegression() X = (np.asarray(df.X)).reshape(-1, 1) Y = (np.asarray(df.Y)).ravel() logistic.fit(X, Y) logistic.score(X, Y) print('Coefficient: \n', logistic.coef_) print('Intercept: \n', logistic.intercept_) print('R² Value: \n', logistic.score(X, Y))<p>Также, возможно, вам будет интересно: - "<a>Реализуем линейную регрессию на Python</a>"; - "<a>Основные алгоритмы машинного обучения</a>".</p>
8
<p><em>По материалам "<a>The Hitchhiker’s Guide to Machine Learning in Python</a>".</em></p>
8
<p><em>По материалам "<a>The Hitchhiker’s Guide to Machine Learning in Python</a>".</em></p>
9
9