Özet - Sınıflandırma

Bu grupta sınıflandırma, doğruluk ve karmaşıklık matrisini öğrendin.

Özet: sınıflandırma

Bu grupta:

Sınıflandırma etiket tahmin eder; lojistik regresyon sigmoid ile olasılık üretir.
İkili problemde predict_proba[:, 1] pozitif olasılıktır; 0.5 yalnızca varsayılan eşiktir.
Çok sınıfta olasılık satırı toplamı 1'dir; OvR ikili modelleri genişletir.
Doğruluk dengesiz veride yanıltır; DummyClassifier temel çizgi verir.
Karmaşıklık matrisi TP, TN, FP, FN hatalarını ayırır.

Uygulama Sınıflandırma raporu

Iris'i test_size=0.3, random_state=0, stratify=y ile böl, LogisticRegression(max_iter=1000) eğit. Test doğruluğunu round(..., 3) ile, ardından karmaşıklık matrisini yazdır.

Örnek çözümü göster

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, confusion_matrix

X, y = load_iris(return_X_y=True)

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0, stratify=y)
m = LogisticRegression(max_iter=1000).fit(X_train, y_train)
p = m.predict(X_test)
print(round(accuracy_score(y_test, p), 3))
print(confusion_matrix(y_test, p))

Kendini test et

Bir modelin değerli olduğunu göstermek için ilk karşılaştırma ne olmalıdır?
- En sık sınıfı tahmin eden temel model
- Eğitim doğruluğu
- Başka bir veri seti
- Karşılaştırma gerekmez
Cevabı göster

En sık sınıfı tahmin eden temel model — Model, hiçbir şey öğrenmeyen temel çizgiyi belirgin biçimde geçmelidir.

Karmaşıklık matrisini hesapla.

cm = ____(y_test, y_pred)

Cevabı göster

cm = confusion_matrix(y_test, y_pred)

Araçları eşleştir.

LogisticRegression

Olasılıklı sınıflandırıcı
DummyClassifier

Temel çizgi
accuracy_score

Doğru oranı
confusion_matrix

Hata dağılımı

Sıradaki ders: Train-test split

Deneyiminizi Geliştiriyoruz

Çerez Tercihleri

Kesinlikle Gerekli Çerezler

Analitik Çerezler