Neste capítulo, vamos colocar as mãos em com alguns dos algoritmos específicos que você pode usar para modelagem de classificação. Um dos métodos mais comuns de fazer modelagem de classificação é com uma regressão logística. Agora, a regressão é um dos estilos mais comuns de aprendizado de máquina usado na prática e tem uma história muito longa. A regressão logística é baseada na mesma teoria como regressão linear, mas em vez de prever um valor específico, ele prevê a probabilidade de pertencer a uma determinada classe. Para isso, utiliza a função logística ou sigmóide. Esta função vai de probabilidade zero para 100% de probabilidade. Uma vantagem de usar a regressão logística é que você tem essa probabilidade que pode ser interpretado de forma bastante direta. Isso permite que você veja uma variável de entrada específica e veja como as mudanças nos valores dessa variável de entrada impactar a probabilidade geral de um ponto de dados pertencente a uma classe específica. Então, vamos ver como isso pode funcionar. Então aqui eu tenho um programa de exemplo que executará um modelo específico em três conjuntos de dados sintéticos diferentes. Os conjuntos de dados sintéticos são configurados para que tenham propriedades específicas para que quando comparamos os resultados dos diferentes modelos, podemos determinar onde alguns dos modelos funcionam muito bem e outros modelos se saem relativamente mal. Então, no caso da regressão logística, primeiro preciso importar o módulo do SK learn. Então eu preciso dar um título ao meu gráfico, e, finalmente, preciso inserir o próprio classificador real que quero executar, neste caso, é a regressão logística. Então, quando executamos isso, primeiro mostra os conjuntos de dados sintéticos e então nos mostra o desempenho da regressão logística. O primeiro conjunto de dados é como duas luas interligadas, o segundo é como dois círculos, um ao redor do outro. E o final é essencialmente um blob que é aproximadamente linearmente separável. Ok, então como foi? Portanto, o sombreamento nos gráficos de resultados nos diz onde o modelo está prevendo um valor versus outro. Então, prever se o ponto de dados pertence à classe vermelha ou à classe azul e a grade nos mostra onde o modelo acredita ser uma região que está muito mais associado à classe vermelha ou a classe azul. Então você pode ver aqui no primeiro lembre-se que temos esse tipo de relação linear entre as duas variáveis do modelo. O que isso significa é que vai se sobrepor aquela função sigmóide baseada em probabilidade na grade de forma linear. Então, para nossos exemplos, isso não funciona muito bem não pega a estrutura dentro das luas e especialmente não dentro dos círculos. Agora o último, o conjunto de dados linearmente separável você pode ver que ele é realmente muito melhor, mas o interessante é a probabilidade de 100% as áreas onde o modelo é bastante certo que o ponto de dados pertence a essa classe estão realmente muito distantes. Assim, você pode ver que a maioria dos pontos de dados na verdade, está categorizando-os muito de perto a essa marca de 50%, logo acima ou logo abaixo. Isso nos dá alguma intuição sobre os tipos de conjuntos de dados que podem não ser tão bem modelados por regressões logísticas. Então isso deve lhe dar um pouco de intuição sobre como uma regressão logística pode funcionar em dados da vida real. Existem desafios para este modelo, embora é um método extremamente comum para modelagem você pode definitivamente dizer que não funciona muito bem para certos tipos de relacionamentos entre suas variáveis de entrada. Na verdade, não infere nenhum tipo de relação complexa dentro de suas variáveis de entrada. Você precisaria criar essas variáveis de entrada como novos recursos para usá-los. O bom é que é bastante fácil de interpretar o que está acontecendo no modelo. E se você tiver um estilo de conjunto de dados que tem uma precisão razoavelmente boa, então interpretá-lo é muito fácil porque você tem apenas alguns coeficientes que você precisa interpretar para entender o quão importante cada um desses elementos são. E você pode colocá-los diretamente na forma de probabilidades e você pode pensar sobre eles em probabilidades que é uma maneira muito intuitiva de pensar sobre modelagem de classificação. O problema final com a regressão logística é que é bastante sensível a outliers. Isso significa que seu conjunto de treinamento pode realmente afetar o resultado modelado. Portanto, esteja ciente de discrepâncias em seus dados, é algo que você deve sempre verificar de qualquer maneira mas isso realmente importa quando você está usando regressão logística. O outro desafio com a regressão logística é que é construído sobre um conjunto de suposições que podem não ser atendidas com muitas das diferentes fontes de dados que você usa. Assim, por exemplo, tendo variância desigual dentro de suas diferentes variáveis de entrada é algo que pode afetar massivamente o modelo que você constrói. Então lembre-se de nossos dados do cartão deco vimos muita variação desigual nas variáveis de entrada. E então, neste caso, gostaríamos de ter certeza que tínhamos uma variável de entrada que funcionaria em nosso modelo. Então agora você deve ter uma boa ideia de como uma regressão logística pode ser implementada usando a biblioteca de aprendizado do SK e maneiras que você pode usar algumas das visualizações para interpretar o que o modelo está lhe dizendo e o que está acontecendo com a previsão. Você pode construir sua intuição em alguns desses conjuntos de dados sintéticos para que você tenha uma ideia de como os diferentes modelos se comparam quando você vai usar isso em seus desafios reais.
