Régression logistique en Python - Building Classifier

Il n'est pas nécessaire que vous ayez à créer le classificateur à partir de zéro. La construction de classificateurs est complexe et nécessite la connaissance de plusieurs domaines tels que les statistiques, les théories des probabilités, les techniques d'optimisation, etc. Il existe plusieurs bibliothèques pré-construites disponibles sur le marché qui ont une implémentation entièrement testée et très efficace de ces classificateurs. Nous utiliserons un tel modèle pré-construit de lasklearn.

Le classificateur sklearn

La création du classificateur de régression logistique à partir de la boîte à outils sklearn est simple et se fait dans une seule instruction de programme, comme indiqué ici -

In [22]: classifier = LogisticRegression(solver='lbfgs',random_state=0)

Une fois le classificateur créé, vous alimenterez vos données d'entraînement dans le classificateur afin qu'il puisse régler ses paramètres internes et être prêt pour les prédictions sur vos données futures. Pour régler le classificateur, nous exécutons l'instruction suivante -

In [23]: classifier.fit(X_train, Y_train)

Le classificateur est maintenant prêt pour les tests. Le code suivant est la sortie de l'exécution des deux instructions ci-dessus -

Out[23]: LogisticRegression(C = 1.0, class_weight = None, dual = False, 
   fit_intercept=True, intercept_scaling=1, max_iter=100, 
   multi_class='warn', n_jobs=None, penalty='l2', random_state=0, 
   solver='lbfgs', tol=0.0001, verbose=0, warm_start=False))

Maintenant, nous sommes prêts à tester le classificateur créé. Nous en traiterons dans le prochain chapitre.