Вивчайте Завдання: Класифікація Нероздільних Даних

Ви будете використовувати наступний набір даних з двома ознаками:


              1234
            
import pandas as pd

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b71ff7ac-3932-41d2-a4d8-060e24b00129/circles.csv')
print(df.head())

Якщо виконати наведений нижче код і переглянути отриманий точковий графік, можна побачити, що набір даних не є лінійно роздільним:


              123456
            
import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b71ff7ac-3932-41d2-a4d8-060e24b00129/circles.csv')
plt.scatter(df['X1'], df['X2'], c=df['y'])
plt.show()

Використання крос-валідації для оцінки простої логістичної регресії на цих даних:


              123456789101112131415161718
            
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b71ff7ac-3932-41d2-a4d8-060e24b00129/circles.csv')
X = df[['X1', 'X2']]
y = df['y']

X = StandardScaler().fit_transform(X)
lr = LogisticRegression().fit(X, y)

y_pred = lr.predict(X)
plt.scatter(df['X1'], df['X2'], c=y_pred)
plt.show()

print(f'Cross-validation accuracy: {cross_val_score(lr, X, y).mean():.2f}')

Як видно, звичайна логістична регресія не підходить для цього завдання. Використання поліноміальної регресії може допомогти покращити продуктивність моделі. Додатково, застосування GridSearchCV дозволяє знайти оптимальний параметр C для підвищення точності.

У цьому завданні також використовується клас Pipeline. Його можна розглядати як послідовність кроків попередньої обробки. Метод .fit_transform() послідовно застосовує .fit_transform() до кожного кроку в конвеєрі.

Завдання

Swipe to start coding

Вам надано набір даних, описаний як DataFrame у змінній df.

Створіть конвеєр, який міститиме поліноміальні ознаки ступеня 2 для X та буде масштабований; збережіть отриманий конвеєр у змінній pipe.
Створіть словник param_grid із значеннями [0.01, 0.1, 1, 10, 100] для гіперпараметра C.
Ініціалізуйте та навчіть об'єкт GridSearchCV і збережіть навчений об'єкт у змінній grid_cv.

Рішення

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 2. Розділ 6

single

Запитати АІ

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

Suggested prompts:

Can you explain how to use polynomial regression with this dataset?

How does GridSearchCV help in finding the optimal C parameter?

What is the purpose of using a Pipeline in this context?

Awesome!

Completion rate improved to 4.17

Свайпніть щоб показати меню