Regressione logistica in Python - Building Classifier

Non è necessario che tu debba costruire il classificatore da zero. La creazione di classificatori è complessa e richiede la conoscenza di diverse aree come statistica, teorie della probabilità, tecniche di ottimizzazione e così via. Sul mercato sono disponibili diverse librerie predefinite che hanno un'implementazione completamente testata e molto efficiente di questi classificatori. Useremo uno di questi modelli precostruiti dalsklearn.

Il classificatore sklearn

La creazione del classificatore di regressione logistica da sklearn toolkit è banale e viene eseguita in una singola istruzione di programma come mostrato qui -

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

Una volta creato il classificatore, inserirai i tuoi dati di allenamento nel classificatore in modo che possa regolare i suoi parametri interni ed essere pronto per le previsioni sui tuoi dati futuri. Per ottimizzare il classificatore, eseguiamo la seguente istruzione:

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

Il classificatore è ora pronto per il test. Il codice seguente è l'output dell'esecuzione delle due istruzioni precedenti:

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))

Ora siamo pronti per testare il classificatore creato. Ne tratteremo nel prossimo capitolo.