Régression logistique

Leçon 15 sur 19 du cours Introduction à l’apprentissage automatique de Coddy.

La régression logistique, malgré son nom, est un modèle linéaire utilisé principalement pour les tâches de classification, et non pour la régression. Elle est idéale pour les situations où vous souhaitez prédire la présence ou l'absence de quelque chose, comme par exemple si un e-mail est un spam ou non. La régression logistique fonctionne bien pour la classification binaire mais peut être étendue à la classification multiclasse grâce à différentes techniques.

Source : wikipedia

À la base, la régression logistique prédit la probabilité qu'un point d'entrée donné appartienne à une certaine classe. Contrairement à la régression linéaire qui prédit une sortie continue, la régression logistique prédit un résultat binaire (1/0, Oui/Non). Le cœur de la régression logistique réside dans la fonction logistique ou fonction sigmoïde, qui transforme n'importe quel nombre réel en une valeur comprise entre 0 et 1, ce qui la rend adaptée à l'estimation de probabilités.

L'ajustement d'un modèle de régression logistique consiste à trouver le meilleur ensemble de coefficients pour l'équation compte tenu des données d'entraînement.

Bien qu'elle soit efficace et simple pour la classification binaire, ses performances peuvent être inférieures à celles de modèles plus complexes pour des ensembles de données plus élaborés.

Testez-vous

Cette leçon comprend un petit quiz. Commencez la leçon pour y répondre et suivre votre progression.

Testez-vous

Cette leçon comprend un petit quiz. Commencez la leçon pour y répondre et suivre votre progression.

Testez-vous

Cette leçon comprend un petit quiz. Commencez la leçon pour y répondre et suivre votre progression.

Défi

Facile

Créez une fonction nommée sigmoid qui prend une liste représentant un point de données et renvoie le résultat de la fonction sigmoïde. Utilisez numpy pour résoudre ce problème.

Essayez vous-même

import numpy as np
def sigmoid(point):
    arr = np.array(point)
    # Écrivez le code ici

Toutes les leçons de Introduction à l’apprentissage automatique

1Le début du parcours en ML

Introduction au ML Les données à fournir à un modèle Qu’est-ce qu’un modèle de ML ?

4Algorithme K-Means

Introduction à K-Means méthode fit méthode predict

2Présentation du machine learning

Apprentissage supervisé Apprentissage non supervisé

5Naive Bayes

Introduction à Naive Bayes méthode fit méthode predict

3K plus proches voisins (KNN)

Introduction à KNN Méthode fit Méthode predict

6Autres modèles

Régression logistiqueRégression linéaire Arbre de décision Machine à vecteurs de support (SVM)Quiz sur les modèles

Entraînez-vous par vous-même : Compilateur Python en ligne