Advertisement
Not a member of Pastebin yet?
Sign Up,
it unlocks many cool features!
- 1.
- #Regresja logistyczna - wstęp
- import matplotlib.pyplot as plt
- import numpy as np
- def transformation(x):
- #return 0.1*x + 0.02
- a = -0.11
- b = 1
- return a*x + b
- X = [1,2,4,7,8,10,12,17] #rozmiary guzów
- Y = [0,0,0,0,0,1,1,1] #flaga oceniająca ich złośliwość - 1=złośliwy / 0=niezłośliwy
- function_sampling_x_coordinates = np.linspace(0,18,500) #generowanie 500 punktów pomiędzy granicami osi X (0,18)
- function_sampling_y_coordinates = [transformation(x) for x in function_sampling_x_coordinates] #wyznaczanie wartosci funkcji transformation w tych punktach
- # ---Zadanie 1---
- #Zamień postać funkcji transformation tak, aby stworzyła krzywą logistyczną
- #Jaki wpływ ma zmiana wartości parametru a na funkcję?
- #Wartość a pozwala regulować część wspólną (brak określenia czy złośliwy czy nie)
- #Jaki wpływ ma zmiana wartości parametru b na funkcję?
- #Wartość b pozwala określić od którego momentu guzy zostaną zakwalifikowane jako złośliwe.
- plt.plot(X, Y, "o")
- plt.plot(function_sampling_x_coordinates, function_sampling_y_coordinates, 'r-')
- plt.ylim(ymax = 1.25, ymin = -0.25)
- plt.show()
- 2.
- import numpy as np
- import matplotlib.pyplot as plt
- from sklearn.linear_model import LogisticRegression
- from sklearn import linear_model, datasets
- from helpers_lab2 import plot_boundary
- iris = datasets.load_iris()
- X = iris.data[:, :2] #weź tylko dwie cechy przykładowego zbioru
- Y = iris.target # Y to klasy, które chcemy przewidzieć
- logreg = LogisticRegression(C=1e5, solver='lbfgs', multi_class='multinomial')
- logreg.fit(X, Y)
- plot_boundary(logreg, X, Y)
- #Zadanie 2:
- #Na podstawie dokumentacji sklearn, stwórz klasyfikator LogisticRegression i wytrenuj go odpowiednio, aby dobrze separował przestrzeń.
Advertisement
Add Comment
Please, Sign In to add comment
Advertisement