Classificador de Regressão Logística no Conjunto de Dados Iris

Introdução

Neste laboratório, utilizaremos o Classificador de Regressão Logística para classificar as duas primeiras características do conjunto de dados Iris com base em suas etiquetas. Usaremos a biblioteca scikit-learn para carregar e pré-processar o conjunto de dados, criar uma instância do Classificador de Regressão Logística e ajustar os dados. Finalmente, exibiremos as fronteiras de decisão no gráfico de dispersão.

Dicas da Máquina Virtual

Após o arranque da máquina virtual, clique no canto superior esquerdo para mudar para a aba Notebook para aceder ao Jupyter Notebook para a prática.

Por vezes, pode ser necessário esperar alguns segundos para o Jupyter Notebook terminar de carregar. A validação das operações não pode ser automatizada devido a limitações no Jupyter Notebook.

Se tiver problemas durante o aprendizado, não hesite em contactar o Labby. Forneça feedback após a sessão e resolveremos prontamente o problema para si.

Carregar o Conjunto de Dados e Pré-processar

Usaremos a biblioteca scikit-learn para carregar o conjunto de dados Iris. O conjunto de dados contém 3 classes de 50 instâncias cada, onde cada classe se refere a um tipo de planta de íris. Cada instância tem 4 características: comprimento da sépala, largura da sépala, comprimento da pétala e largura da pétala.

import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression
from sklearn import datasets
from sklearn.inspection import DecisionBoundaryDisplay

## carregar o conjunto de dados Iris
iris = datasets.load_iris()
X = iris.data[:, :2]  ## apenas as duas primeiras características são utilizadas.
Y = iris.target

Criar uma Instância do Classificador de Regressão Logística e Ajustar os Dados

Criaremos uma instância do Classificador de Regressão Logística e ajustaremos os dados.

## Criar uma instância do Classificador de Regressão Logística e ajustar os dados.
logreg = LogisticRegression(C=1e5)
logreg.fit(X, Y)

Exibir as Fronteiras de Decisão no Gráfico de Dispersão

Exibiremos as fronteiras de decisão no gráfico de dispersão usando a função DecisionBoundaryDisplay da biblioteca scikit-learn.

_, ax = plt.subplots(figsize=(4, 3))
DecisionBoundaryDisplay.from_estimator(
    logreg,
    X,
    cmap=plt.cm.Paired,
    ax=ax,
    response_method="predict",
    plot_method="pcolormesh",
    shading="auto",
    xlabel="Comprimento da sépala",
    ylabel="Largura da sépala",
    eps=0.5,
)

## Plotar também os pontos de treino
plt.scatter(X[:, 0], X[:, 1], c=Y, edgecolors="k", cmap=plt.cm.Paired)

plt.xticks(())
plt.yticks(())

plt.show()

Resumo

Neste laboratório, utilizamos o Classificador de Regressão Logística para classificar as duas primeiras características do conjunto de dados Iris com base em suas etiquetas. Carregamos e pré-processamos o conjunto de dados utilizando a biblioteca scikit-learn, criamos uma instância do Classificador de Regressão Logística e ajustamos os dados. Finalmente, exibimos as fronteiras de decisão no gráfico de dispersão.