In scikit-learn 0.16 e versioni successive, è possibile utilizzare l'opzione multinomial
per sklearn.linear_model.LogisticRegression
per addestrare un modello log-lineare (a.k.a. classificatore MaxEnt, regressione logistica multiclasse). Attualmente l'opzione multinomial
è supported only dai risolutori 'lbfgs' e 'newton-cg'.
Esempio con il set di dati Iris (4 funzioni, 3 classi, 150 campioni):
#!/usr/bin/python
# -*- coding: utf-8 -*-
from __future__ import print_function
from __future__ import division
import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model, datasets
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report
# Import data
iris = datasets.load_iris()
X = iris.data # features
y_true = iris.target # labels
# Look at the size of the feature matrix and the label vector:
print('iris.data.shape: {0}'.format(iris.data.shape))
print('iris.target.shape: {0}\n'.format(iris.target.shape))
# Instantiate a MaxEnt model
logreg = linear_model.LogisticRegression(C=1e5, multi_class='multinomial', solver='lbfgs')
# Train the model
logreg.fit(X, y_true)
print('logreg.coef_: \n{0}\n'.format(logreg.coef_))
print('logreg.intercept_: \n{0}'.format(logreg.intercept_))
# Use the model to make predictions
y_pred = logreg.predict(X)
print('\ny_pred: \n{0}'.format(y_pred))
# Assess the quality of the predictions
print('\nconfusion_matrix(y_true, y_pred):\n{0}\n'.format(confusion_matrix(y_true, y_pred)))
print('classification_report(y_true, y_pred): \n{0}'.format(classification_report(y_true, y_pred)))
L'opzione multinomial
per sklearn.linear_model.LogisticRegression
was introduced in version 0.16:
- Aggiungi
multi_class="multinomial"
opzione : class : linear_model.LogisticRegression
per implementare un risolutore di regressione logistico che riduce al minimo l'entropia incrociata o la perdita multinomiale invece dell'impostazione predefinita di One-vs-Rest. Supporta i risolutori lbfgs
e newton-cg
. Per Lars Buitinck
_ e Manoj Kumar
_. Opzione risolutore newton-cg
di Simon Wu.
fonte
2015-10-28 16:37:38