Кратко:

• Машинное обучение не ограничивается задачами регрессии, а включает задачи классификации.
• Примеры задач классификации: определение породы кошки по фотографии, определение языка речи по записи с диктофона, прогнозирование рисков дефолта клиента банка.
• В этой теме вы научитесь оценивать качество моделей классификации, выделять разные типы задач классификации, использовать логистическую регрессию для решения задач классификации с двумя классами и применять алгоритм «один против всех» для решения задач классификации со множеством классов.
• Тема состоит из пяти уроков по 25-35 минут каждый

Кратко:

• Accuracy может завышать оценку качества классификации, если объектов одного класса в несколько раз больше, чем другого

Кратко:

• Линейная регрессия подходит для решения задач с количественными признаками, но не идеальна для классификации.
• Логистическая регрессия лучше приспособлена для задач классификации.
• Логистическая регрессия классифицирует объекты с помощью логистической функции, преобразующей значения x в интервал от 0 до 1
• В scikit-learn логистическую регрессию строят с помощью класса LogisticRegressio n.
• Задачи классификации можно решить с помощью линейной регрессии, но это неэффективно и плохо сочетается с категориальными целевыми признаками.
• Для бинарной классификации подходит логистическая регрессия, связывающая входные признаки с целевым и вычисляющая вероятность принадлежности к каждому классу

Выводы

• Задачи классификации можно решить линейной регрессией, но это неэффективно. Эта модель плохо сочетается с категориальным целевым признаком.
• Для задач бинарной классификации подходит логистическая регрессия. С помощью логистической функции эта модель связывает входные признаки с целевым и вычисляет вероятность, с которой объект принадлежит к каждому классу.

Кратко:

• Логистическая регрессия используется для бинарной классификации.
• Она переводит взвешенную сумму входных признаков в промежуток от 0 до 1.
• Веса логистической функции определяются коэффициентами w_0 и w_0 .
• Логистическая регрессия минимизирует ошибки в прогнозах и улучшает метрики качества модли.
• Значения параметров подбираются автоматически по мере решения задачи классифиции.
• Одномерный случай логистической регрессии: когда у объекта только один входной признак.
• Многомерный случай логистической регрессии: когда у объекта несколько входных изнаков.
• Логистическая и линейная регрессии являются линейными моделями, основанными на регрессионном анализе

Выводы

• Логистическая регрессия «связывает» признаки объектов с оценкой принадлежности к классам с помощью коэффициентов wi
• Так она настраивается под конкретный набор данных и минимизирует ошибки в прогнозах.
• Логистическая регрессия основана на логит-функции, это позволяет ей работать с числами 0 и 1 как с метками классов.
• Вероятность принадлежности к классу превращается в отметку класса после того, как соотносится с пороговым значением модели. По умолчанию оно равно 0.5. Все оценки модели ниже порога будут отнесены к классу 0, все остальные — к классу 1.
• LogisticRegression исользует мpто predict_proba для расчёта оценок вероятности.

Кратко:

• Точность предсказаний логистической регрессии оценивается метрикой accuracy, но это не единственный способ проверки качества модели.
• Ошибки модели могут дорого обойтись, поэтому важно изучить другие свойства модели, чтобы понять, подходит ли она для решения конкретной задачи.
• Отношение шансов (odds) показывает, насколько событие A связано с событием B, и может быть использовано для оценки корреляции между ними.
• Метрика accuracy не учитывает тип возможных ошибок, поэтому для оценки рисков стоит обратить внимание на другие метрики и показатели модели.
• Метод логистической регрессии выявляет наиболее значимые признаки, что позволяет строго интерпретировать влияния каждого признака на работу модели.
• Значения коэффициентов в логистической регрессии определяют вклад каждого признака в выражение в левой части уравнения.
• Значения коэффициентов сложно интерпретировать из-за логарифма в формуле, но их можно экспоненциировать, чтобы получить отношение шансов ORi.
• Значения признаков измеряются по-разному, поэтому стоит привести их значения к единой шкале с помощью метода StandardScaler

Кратко:

• Мультиклассовая классификация - разделение объектов на несколько категорий.
• Целевой признак в мультиклассовой классификации - уникальные метки классов.
• Логистическая функция распределяет сумму весов признаков x на промежутке (0, 1), поэтому работает только с двумя классами.
• Алгоритм "один против всех" сводит мультиклассовую классификацию к бинарным классификаторам.
• Чем больше классов, тем сложнее построить хорошую мультиклассовую модель.
• Для мультиклассовой классификации не подходит алгоритм линейной регрессии, а точность оценивают метрикой accuracy.
• Один из способов решения мультиклассовой классификации - алгоритм "один против всех"

Кратко:

• Задачи классификации и их решение изучены.
• Оценка качества моделей метрикой accuracy.
• Обучение логистической регрессии для бинарной классификаци.
• Оценка вклада каждого признака в модель.
• Решение задач мультиклассовой классификации с использованием алгоритма "один против всех".
• Навыки, полученные в этой теме, являются фундаментом для работы с задачами классификации