Scikit-learn: klassifikatsiya modellar

Logistik regressiyaning quyidagi takliflari mavjud:

• Ikkilik logistik regressiya uchun, bog'lovchi o'zgaruvchi ikkilik bo'lishi talab etiladi. Bunda bog'lovchi o'zgaruvchining faqat 0 va 1 qiymatlari bo'lishi kerak.
• Ikkilik regressiyaning natijaviy qiymati 1, maqsadlangan natija (misol uchun, biror bir hodisa yuzaga kelishi)ni aks ettirishi kerak.
• Modelga faqat ma'noviy o'zgaruvchilarni o'z ichiga olish tavsiya etiladi. Bunda, model uchun faqatgina ma'noviy tarzda ma'lumotlarni qo'llash kerak.
• Kirish o'zgaruvchilari boshqalar bilan o'zaro bog'liq bo'lmasligi kerak.

Chiziqli klassifikatsiyani logistik regressiya usuli bilan qurish uchun Scikit-learn kutubxonasida LogisticRegression klassidan foydalaniladi.

Bu klass modellarni yaratish, o'rgatish va klassifikatsiyalash uchun kerakli funktsiyalarni taqdim etadi. Logistik regressiya modellari bilan ma'lumotlar to'plamini sinflarga bo'lish va sinflarni bashorat qilish uchun foydalanish mumkin.

class sklearn.linear_model.LogisticRegression(penalty, *, dual, tol,

C, fit_intercept, intercept_scaling, class_weight, random_state, solver, max_iter, multi_class, verbose, warm_start, n_jobse, l1_ratio)

Klass modelning asosiy parametrlari:

• Klass modelning asosiy parametrlari:
• penalty (str turdagi ma'lumot; default qiymati 'l2') - modelning murakkablik uchun jazilgan jarima hisoblash usulini ko'rsatadi (mumkin bo'lgan variantlari: {'l1', 'l2', 'elasticnet', 'none'};
• dual (bool turdagi ma'lumot; default qiymati False) - optimizatsiya vazifasining turini (to'g'ridan-to'g'ri yoki dual) ko'rsatadi;
• tol (int turdagi ma'lumot; default qiymati 0.001) - hal qilishning aniqligini ko'rsatadi;
• C (float turdagi ma'lumot; default qiymati 1.0, cheklovi - musbat qiymat) - regulyarizatsiya parametri (kam qiymati kuchli regulyarizatsiyani ta'minlaydi);
• fit_intercept (bool turdagi ma'lumot; default qiymati True) - modelga o'ziga xos parametr w0 (intercept_)ni qo'shish zarurati (fit_intercept=False holatida intercept_ = 0 ni anglatadi);