Несколько классов

Часть раздела Обучение с учителем путешествия по Machine Learning на Coddy. Урок 19 из 58.

Лимон, лайм или апельсин? Логистическая регрессия справляется и с тремя классами. Вот новый фрукт, оказавшийся между лимонами и апельсинами:

Слева: 45 фруктов, представленных диаметром и весом: лаймы маленькие, лимоны посередине, апельсины большие; чёрная звезда обозначает новый фрукт между лимонами и апельсинами. Справа: его вероятности в виде столбцов: лимон — 0.61, лайм — 0.00, апельсин — 0.39

model = LogisticRegression(max_iter=1000)
model.fit(X, kind)  # X: диаметр, вес; kind: лимон, лайм или апельсин
print(model.classes_)
print(np.round(model.predict_proba([[6.7, 144]]), 2))
print(model.predict([[6.7, 144]]))

Это выводит:

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

Каждая строка содержит по одной вероятности для каждого класса, в порядке classes_, и их сумма равна 1. predict выбирает наибольшую.

Итак, модель показывает, насколько она уверена: 61% для лимона — это спорный результат, который стоит перепроверить.

Задание

Средне

Приложение для подкастов относит новые выпуски к комедии, новостям или тру-крайму. В стартовом коде обучается LogisticRegression на данных из episodes.csv (длительность, число говорящих, смех в минуту), а новый выпуск считывается в episode — таблицу с одной строкой.

Заверши describe(episode):

Выведи вероятность каждого типа шоу в порядке model.classes_, округлив до целого процента.
Верни наиболее вероятный тип.

Для выпуска из другого приложения:

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

Попробуйте сами

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"])


# Выводит вероятность каждого типа шоу для одного эпизода (таблица с одной строкой), затем возвращает наиболее вероятный тип
def describe(episode):
    # Напишите здесь свой код
    return "unknown"


# Не изменяйте строки ниже: новый эпизод из входных данных
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}")