Più classi

Fa parte della sezione Apprendimento supervisionato del percorso Machine Learning di Coddy. Lezione 19 di 58.

Limone, lime o arancia? La regressione logistica gestisce anche tre classi. Ecco un nuovo frutto che si colloca tra i limoni e le arance:

A sinistra: 45 frutti in base al diametro e al peso: lime piccoli, limoni al centro, arance grandi e una stella nera per un nuovo frutto tra i limoni e le arance. A destra: le sue probabilità rappresentate come barre: limone 0.61, lime 0.00, arancia 0.39

model = LogisticRegression(max_iter=1000)
model.fit(X, kind)  # X: diametro, peso; kind: lemon, lime o orange
print(model.classes_)
print(np.round(model.predict_proba([[6.7, 144]]), 2))
print(model.predict([[6.7, 144]]))

Questo stampa:

['lemon' 'lime' 'orange']
[[0.61 0.   0.39]]
['lemon']

Ogni riga contiene una probabilità per ciascuna classe, nell’ordine di classes_, e la loro somma è 1. predict sceglie quella più alta.

Quindi il modello indica quanto è sicuro: 61% limone è un risultato incerto, da esaminare più attentamente.

Sfida

Medio

Un'app di podcast archivia i nuovi episodi nelle categorie commedia, notizie o true crime. Il modello iniziale adatta una LogisticRegression a episodes.csv (durata, relatori, risate al minuto) e legge un nuovo episodio in episode, una tabella con una sola riga.

Completa describe(episode):

Stampa la probabilità di ciascun tipo di programma, nell'ordine di model.classes_, arrotondata a una percentuale intera.
Restituisci il tipo più probabile.

Per l'episodio di un'altra app:

comedy: 12%
news: 70%
true crime: 18%
Best guess: news

Provalo tu

import pandas as pd
from sklearn.linear_model import LogisticRegression

episodes = pd.read_csv("episodes.csv")
features = ["length_min", "speakers", "laughs_per_min"]
model = LogisticRegression(max_iter=1000)
model.fit(episodes[features], episodes["show_type"])


# Imprime la probabilidad de cada tipo de programa para un episodio (una tabla de una fila) y luego devuelve el tipo más probable
def describe(episode):
    # Escribe tu código aquí
    return "unknown"


# No cambies las líneas siguientes: un episodio nuevo a partir de la entrada
length = float(input())
speakers = int(input())
laughs = float(input())
episode = pd.DataFrame({"length_min": [length], "speakers": [speakers], "laughs_per_min": [laughs]})
best = describe(episode)
print(f"Best guess: {best}")