Phenquestions
- 1 für wahr oder
- 0 für falsch
Die zentrale Bedeutung der logistischen Regression:
- Die unabhängigen Variablen dürfen nicht multikollinear sein; Wenn es eine Beziehung gibt, dann sollte es sehr wenig sein.
- Der Datensatz für die logistische Regression sollte groß genug sein, um bessere Ergebnisse zu erzielen.
- Nur diese Attribute sollten im Datensatz vorhanden sein, was eine gewisse Bedeutung hat.
- Die unabhängigen Variablen müssen gemäß Log-Quoten.
Um das Modell des zu bauen logistische Regression, wir benutzen das scikit-lernen Bibliothek. Der Prozess der logistischen Regression in Python ist unten angegeben:
- Importieren Sie alle erforderlichen Pakete für die logistische Regression und andere Bibliotheken.
- Laden Sie den Datensatz hoch.
- Verstehen Sie die unabhängigen Datensatzvariablen und abhängigen Variablen.
- Teilen Sie den Datensatz in Trainings- und Testdaten auf.
- Initialisieren Sie das logistische Regressionsmodell.
- Passen Sie das Modell mit dem Trainingsdatensatz an.
- Vorhersage des Modells anhand der Testdaten und Berechnung der Genauigkeit des Modells.
Problem: Die ersten Schritte bestehen darin, den Datensatz zu sammeln, auf den wir die Anwendung anwenden möchten Logistische Regression. Der Datensatz, den wir hier verwenden werden, ist für den MS-Aufnahmedatensatz. Dieser Datensatz hat vier Variablen, von denen drei unabhängige Variablen (GRE, GPA, work_experience) und eine abhängige Variable (zugegeben) sind. Dieser Datensatz sagt aus, ob der Kandidat aufgrund seines Notendurchschnitts, GRE oder seiner Arbeitserfahrung an einer renommierten Universität zugelassen wird oder nicht.
Schritt 1: Wir importieren alle benötigten Bibliotheken, die wir für das Python-Programm benötigen.
Schritt 2: Jetzt laden wir unseren ms-Zulassungsdatensatz mit der Funktion read_csv pandas.
Schritt 3: Der Datensatz sieht wie folgt aus:
Schritt 4: Wir überprüfen alle im Datensatz verfügbaren Spalten und setzen dann alle unabhängigen Variablen auf Variable X und abhängige Variablen auf y, wie im folgenden Screenshot gezeigt.
Schritt 5: Nachdem wir die unabhängigen Variablen auf X und die abhängige Variable auf y gesetzt haben, drucken wir jetzt hier, um X und y mit der Head-Pandas-Funktion zu überprüfen.
Schritt 6: Jetzt werden wir den gesamten Datensatz in Training und Test aufteilen. Dazu verwenden wir die train_test_split Methode von sklearn. Wir haben 25 % des gesamten Datensatzes für den Test und die restlichen 75 % des Datensatzes für das Training verwendet.
Schritt 7: Jetzt werden wir den gesamten Datensatz in Training und Test aufteilen. Dazu verwenden wir die train_test_split Methode von sklearn. Wir haben 25 % des gesamten Datensatzes für den Test und die restlichen 75 % des Datensatzes für das Training verwendet.
Dann erstellen wir das Logistische Regressionsmodell und passen die Trainingsdaten an.
Schritt 8: Jetzt ist unser Modell bereit für die Vorhersage, also übergeben wir jetzt die Testdaten (X_test) an das Modell und haben die Ergebnisse erhalten. Die Ergebnisse zeigen (y_predictions), dass die Werte 1 (zugelassen) und 0 (nicht zugelassen) sind.
Schritt 9: Jetzt drucken wir den Klassifizierungsbericht und die Verwirrungsmatrix.
Der Klassifizierungsbericht zeigt, dass das Modell die Ergebnisse mit einer Genauigkeit von 69 % vorhersagen kann.
Die Konfusionsmatrix zeigt die gesamten X_test-Datendetails als:
TP = Wahre Positive = 8
TN = Wahre Negative = 61
FP = Falsch Positive = 4
FN = Falsche Negative = 27
Die Gesamtgenauigkeit gemäß der Confusion_matrix ist also:
Genauigkeit = (TP+TN)/Gesamt = (8+61)/100 = 0.69
Schritt 10: Jetzt werden wir das Ergebnis durch Drucken überprüfen. Also drucken wir einfach die Top 5 Elemente von X_test und y_test (tatsächlicher wahrer Wert) mit der Head Pandas Funktion. Dann drucken wir auch die Top-5-Ergebnisse der Vorhersagen wie unten gezeigt:
Wir kombinieren alle drei Ergebnisse in einem Blatt, um die Vorhersagen wie unten gezeigt zu verstehen. Wir können sehen, dass die Vorhersage mit Ausnahme der 341 X_test-Daten, die wahr (1) waren, falsch (0) ist sonst. Unsere Modellvorhersagen funktionieren also zu 69 %, wie wir oben bereits gezeigt haben.
Schritt 11: Wir verstehen also, wie die Modellvorhersagen für den unsichtbaren Datensatz wie X_test . durchgeführt werden. Also haben wir nur einen zufällig neuen Datensatz mit einem Pandas-Datenrahmen erstellt, ihn an das trainierte Modell übergeben und das unten gezeigte Ergebnis erhalten.
Der vollständige Code in Python unten angegeben:
Der Code für diesen Blog ist zusammen mit dem Datensatz unter dem folgenden Link verfügbar
https://github.com/shekharpandey89/logistische-regression
