Exercício 6: Regressão Logística

Regressão Logística

Aqui está um exercício simples do Jupyter Notebook para os alunos aprenderem sobre classificação usando regressão logística. Este exercício irá guiá-los através do carregamento de um conjunto de dados, treinamento de um modelo de regressão logística e avaliação de seu desempenho.

Exercício: Classificação por Regressão Logística

Objetivo:Carregar um conjunto de dados. Treinar um modelo de regressão logística. Avalie o desempenho do modelo. Pré-requisitos:Instale a biblioteca scikit-learn. Use um conjunto de dados simples como o conjunto de dados Iris.

Etapa 1: Instalar as bibliotecas necessárias:

%pip install scikit-learn

Etapa 2: Importar bibliotecas:

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report

Etapa 3: Carregue o conjunto de dados:

# Load the Iris dataset
iris = datasets.load_iris()
X = iris.data
y = iris.target

# Use only two classes for binary classification
X = X[y != 2]
y = y[y != 2]

Etapa 4: dividir o conjunto de dados:

# Split the dataset into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

Passo 5: Treinar o Modelo de Regressão Logística:

# Initialize and train the logistic regression model
model = LogisticRegression()
model.fit(X_train, y_train)

Passo 6: Faça previsões:

# Make predictions on the test set
y_pred = model.predict(X_test)

Passo 7: Faça previsões:

# Evaluate the model's performance
accuracy = accuracy_score(y_test, y_pred)
cm = confusion_matrix(y_test, y_pred)
cr = classification_report(y_test, y_pred)
print(f'Accuracy: {accuracy}')
print('Confusion Matrix:')
print(cm)
print('Classification Report:')
print(cr)

Passo 8: Visualize os resultados:

# Visualize the confusion matrix
plt.figure(figsize=(8, 6))
plt.imshow(cm, interpolation='nearest', cmap=plt.cm.Blues)
plt.title('Confusion Matrix')
plt.colorbar()
tick_marks = np.arange(len(iris.target_names[:2]))
plt.xticks(tick_marks, iris.target_names[:2], rotation=45)
plt.yticks(tick_marks, iris.target_names[:2])

fmt = 'd'
thresh = cm.max() / 2.
for i, j in np.ndindex(cm.shape):
    plt.text(j, i, format(cm[i, j], fmt),
             ha="center", va="center",
             color="white" if cm[i, j] > thresh else "black")

plt.ylabel('True label')
plt.xlabel('Predicted label')
plt.tight_layout()
plt.show()

Instruções para Estudantes:

Siga as etapas para instalar as bibliotecas necessárias e carregar o conjunto de dados.

Treinar o modelo de regressão logística e avaliar o seu desempenho.

Modifique o código para usar conjuntos de dados diferentes ou adicione mais recursos ao modelo.

Explore o impacto de diferentes hiperparâmetros no desempenho do modelo.