Conclusions Cet article n'avait pas pour objectif de montrer la supériorité d'un package sur un autre mais la complémentarité de ces deux packages. En effet, dans un cadre de machine learning et de modèle prédictif, scikit-learn a tous les avantages d'un package extrêmement complet avec une API très uniformisée qui vous permettra d'automatiser et de passer en production vos modèles. En parallèle, statsmodels apparaît comme un bon outil pour la modélisation statistique et l'explication de la régression logistique et il fournira des sorties rassurantes pour les utilisateurs habitués aux logiciels de statistique classique. Regression logistique python web. Cet article permet aussi de noter une chose: les valeurs par défaut de tous les packages sont souvent différentes et il faut être très attentif à cela pour être capable de comparer des résultats d'un package à un autre. Pour aller plus loin
Ainsi, aucun réglage supplémentaire n'est requis. Maintenant, notre client est prêt à lancer la prochaine campagne, à obtenir la liste des clients potentiels et à les chasser pour ouvrir le TD avec un taux de réussite probablement élevé.
Nous pouvons voir que les valeurs de l'axe y sont comprises entre 0 et 1 et croise l'axe à 0, 5. Les classes peuvent être divisées en positives ou négatives. La sortie relève de la probabilité de classe positive si elle est comprise entre 0 et 1. Pour notre implémentation, nous interprétons la sortie de la fonction d'hypothèse comme positive si elle est ≥0, 5, sinon négative. Nous devons également définir une fonction de perte pour mesurer les performances de l'algorithme en utilisant les poids sur les fonctions, représentés par thêta comme suit - ℎ = () $$ J (\ theta) = \ frac {1} {m}. Tutoriel de classification de fleurs d'IRIS avec la Régression logistique et Python. (- y ^ {T} log (h) - (1 -y) ^ Tlog (1-h)) $$ Maintenant, après avoir défini la fonction de perte, notre objectif principal est de minimiser la fonction de perte. Cela peut être fait en ajustant les poids, c'est-à-dire en augmentant ou en diminuant les poids. Avec l'aide de dérivés de la fonction de perte pour chaque poids, nous pourrions savoir quels paramètres devraient avoir un poids élevé et lesquels devraient avoir un poids plus petit.
Par contre, pour la validation de la qualité prédictive des modèles, l'ajustement des hyper-paramètres et le passage en production de modèles, il est extrêmement efficace. Statsmodels, le package orienté statistique Statsmodels est quant à lui beaucoup plus orienté modélisation statistique, il possédera des sorties plus classiques pouvant ressembler aux logiciels de statistiques « classiques ». Par contre, le passage en production des modèles sera beaucoup moins facilité. On sera plus sur de l'explicatif. Le code Nous commençons par récupérer les données et importer les packages: import pandas as pd import numpy as np import as sm from near_model import LogisticRegression data = ad_csv(") data["Churn? "] = data["Churn? "]('category') # on définit x et y y = data["Churn? La régression logistique, qu’est-ce que c’est ?. "] # on ne prend que les colonnes quantitatives x = lect_dtypes()(["Account Length", "Area Code"], axis=1) On a donc récupéré la cible qui est stockée dans y et les variables explicatives qui sont stockées dans x. Nous allons pouvoir estimer les paramètres du modèle.