Regressione logistica in Python - Riepilogo

La regressione logistica è una tecnica statistica di classificazione binaria. In questo tutorial, hai imparato come addestrare la macchina all'uso della regressione logistica. Creando modelli di machine learning, il requisito più importante è la disponibilità dei dati. Senza dati adeguati e pertinenti, non puoi semplicemente fare in modo che la macchina apprenda.

Una volta che hai i dati, la tua prossima attività principale è ripulire i dati, eliminare le righe e i campi indesiderati e selezionare i campi appropriati per lo sviluppo del modello. Al termine, è necessario mappare i dati in un formato richiesto dal classificatore per la sua formazione. Pertanto, la preparazione dei dati è un'attività importante in qualsiasi applicazione di machine learning. Una volta che sei pronto con i dati, puoi selezionare un particolare tipo di classificatore.

In questo tutorial, hai imparato come utilizzare un classificatore di regressione logistica fornito in sklearnbiblioteca. Per addestrare il classificatore, utilizziamo circa il 70% dei dati per l'addestramento del modello. Usiamo il resto dei dati per i test. Testiamo l'accuratezza del modello. Se questo non è entro limiti accettabili, torniamo a selezionare il nuovo set di funzionalità.

Ancora una volta, segui l'intero processo di preparazione dei dati, addestra il modello e testalo, finché non sei soddisfatto della sua accuratezza. Prima di intraprendere qualsiasi progetto di apprendimento automatico, è necessario apprendere ed essere esposti a un'ampia varietà di tecniche che sono state sviluppate finora e che sono state applicate con successo nel settore.