Scribd Logo
Importer

Bienvenue sur Scribd !

  • 76 vues

    TP3 Régression Logistique

    Transféré par

    yahiajaber49

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

    TP3 Régression Logistique

    Transféré par

    yahiajaber49
    76 vues2 pages

    Titre original

    TP3 Régression logistique

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    76 vues2 pages

    TP3 Régression Logistique

    Transféré par

    yahiajaber49

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    Vous êtes sur la page 1sur 2

    IESE

    Travaux pratiques Année 2024-2025


    Apprentissage machine

    TP3 : Régression logistique pour une classification binaire

    Le but de ce TP est d’implémenter l’algorithme de la descente de gradient pour minimiser la


    fonction coût de la régression logistique.

    1 Préparation des données des données

    Nous allons utiliser make_blobs() du module sklearn.datasets pour générer une


    base de données pour la classification.
    - n_samples=100
    - n_features=2
    - centers=2 (2 classes)
    Affichez les points de la base de données en utilisant un scatter() plot.
    2 Fonctions utiles

    - Implémentez la fonction mathématique sigmoide : sigmoid()


    1
    𝜎(𝑥) =
    1 + 𝑒 −𝑥
    - Implémentez la fonction initialization() qui permet d’initialiser
    aléatoirement 𝜔 et b.
    - Implémentez une fonction forward_propagation()qui permet de prédire la
    classe des données.
    - Implémentez la fonction du coût log_loss() qui permet de calculer le coût
    d’entropie croisée :

    J (i ) = − y ( i ) log yˆ ( i ) − (1 − y ( i ) ) log(1 − yˆ ( i ) )

    - Implémentez la fonction gradients()qui calcule les gradients de 𝜔 et b.


    - Implémentez la fonction optimization() qui permet de mettre à jour les valeurs
    de 𝜔 et b.
    - Implémentez la fonction predict() qui appelle la fonction
    forward_propagation() et retourne 1 si l’activation est supérieure ou égale à
    un seuil 0.5.

    3 Visualisation
    Afin de visualiser le résultat de la classification, copiez ce bout de code :

    def visualisation(X, y, W, b):


    resolution = 300
    fig, ax = plt.subplots(figsize=(9, 6))
    ax.scatter(X[:, 0], X[:, 1], c=y, s=50, edgecolor='k')

    #limites du graphique
    xlim = ax.get_xlim()

    Pr. Nabila ZRIRA


    1/2
    IESE
    Travaux pratiques Année 2024-2025
    Apprentissage machine

    ylim = ax.get_ylim()

    # meshgrid
    x1 = np.linspace(xlim[0], xlim[1], resolution)
    x2 = np.linspace(ylim[0], ylim[1], resolution)
    X1, X2 = np.meshgrid(x1, x2)

    # assembler les 2 variables


    XX = np.vstack((X1.ravel(), X2.ravel())).T

    # Prédictions
    Z = predict(XX, W, b)
    Z = Z.reshape((resolution, resolution))

    ax.pcolormesh(X1, X2, Z, zorder=0, alpha=0.1)


    ax.contour(X1, X2, Z, colors='g')

    4 Implémentation du modèle de la régression logistique


    - Appelez les fonctions afin d’appliquer la régression logistique à la base de données
    avec un nombre d’itérations égal à 100.

    Pr. Nabila ZRIRA


    2/2

    Vous aimerez peut-être aussi

    pFad - Phonifier reborn

    Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.

    Note: This service is not intended for secure transactions such as banking, social media, email, or purchasing. Use at your own risk. We assume no liability whatsoever for broken pages.


    Alternative Proxies:

    Alternative Proxy

    pFad Proxy

    pFad v3 Proxy

    pFad v4 Proxy