El notebook que se deja muestra lo mismo que se vio en las clases, no hay ninguna aplicación extra de como se usa un regularizador dentro de un modelo de regresión logística
Fundamentos de regresión logística
¿Qué es la regresión logística?
Tu primera clasificación con regresión logística
¿Cuándo usar regresión logística?
Fórmula de regresión logística
Regresión logística binomial
Preparando los datos
Análisis de correlación y escalabilidad de los datos
Análisis exploratorio de datos
Entrenamiento con regresión logística binomial
Evaluando el modelo (MLE)
Análisis de resultados de regresión logística
Regularizers
Regresión logística multinomial
Cómo funciona la regresión logística multiclase
Carga y preprocesamiento de datos multiclase
Análisis exploratorio y escalamiento de datos multiclase
Entrenamiento y evaluación de regresión logística multiclase
Conclusiones
Proyecto final y siguientes pasos
Comparte tu proyecto de regresión logística y certifícate
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Aportes 9
Preguntas 0
El notebook que se deja muestra lo mismo que se vio en las clases, no hay ninguna aplicación extra de como se usa un regularizador dentro de un modelo de regresión logística
import joblib
class Utils:
def load_from_csv(self, path):
return pd.read_csv(path)
def load_from_mysql(self):
pass
def features_target(self, dataset, drop_cols, var_predict):
X = dataset.drop(drop_cols, axis=1)
y = dataset[var_predict]
return X, y
def model_export(self, clf, score):
print(score)
joblib.dump(clf, './models/best_model.pkl')
import numpy as np
from sklearn.model_selection import GridSearchCV
class Models:
def __init__(self):
# Grid for classifier
self.reg_classifier = {
'LogisticRegressionelasticnet': LogisticRegression(max_iter=100000),
}
self.params_classifier = {
'LogisticRegressionelasticnet': {
'penalty': ['elasticnet'],
'solver': ['saga'],
'l1_ratio': np.arange(0,1,0.01),
},
}
# Grid for regression
self.reg_regression = {}
self.params_regression = {}
def grid_training_classifier(self, X, y):
best_score = 999
best_model = None
for name, reg in self.reg_classifier.items():
grid_reg = GridSearchCV(reg, self.params_classifier[name], cv=3).fit(X, y.values.ravel())
score = np.abs(grid_reg.best_score_)
if score < best_score:
best_score = score
best_model = grid_reg.best_estimator_
utils = Utils()
utils.model_export(best_model, best_score)
models = Models()
models.grid_training_classifier(x_rsmote, y_rsmote)
Hola buena noche, quisiera dejar un link para comprender mejor el tema y profundizar en este:
https://www.cienciadedatos.net/documentos/py14-ridge-lasso-elastic-net-python.html
Recuerden, que para mejorar pueden investigar por su cuenta 💪💪💪💪💪💪💪.
La regularización L1 y L2 son los modelos Lasso y Ridge, respectivamente, para disminuir la complejidad del modelo y eliminar variables. En el Curso Profesional de Machine Learning con Scikit-Learn con Ariel Ortiz se presentan estos conceptos y otros adicionales como ElasticNet.
También se pueden llevar sa numérico usando LabelEncoder
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?