マガジンのカバー画像

古典機械学習を学ぶ

21
線形回帰、ロジスティック回帰、正則化、決定木、サポートベクトルマシン、クラスタリング、次元削減などの機械学習の仕組みを解説していく予定です。
運営しているクリエイター

#ロジスティック回帰

scikit-learn機械学習⑥ロジスティック回帰:実践編

前回は、ロジスティック回帰の理論的な側面を解説しました。今回は、scikit-learnを使ってロジスティック回帰を実装してみます。 今回は、scikit-learnの乳癌のデータセットを扱います。目的は、各患者に対して30個ある数値の入力データからその人が悪性の癌を患っているのかどうかを予測することです。つまり、ロジスティック回帰を使って悪性のガンである確率を予測します。 いつものように訓練用とテスト用にデータを分け、訓練用のデータで簡単な分析を行います。さらに、モデル

scikit-learn機械学習⑤ロジスティック回帰:理論編

ロジスティック回帰は、簡単に言うと「YesかNo」の判断を下すためのツールです。つまり、二択の結果を予測する問題に対して使われます。 例えば、以下のような問題が考えられます。 メールがスパムか否か 病気の診断結果が陽性か陰性か 顧客が商品を購入するかしないか これらは全て、Yes/Noで答えられる質問です。このような問題を二項分類(Binary Classification)と呼びます。 モデルとして考えると、ロジスティック回帰は入力された複数の独立変数を使って、