Regresión logística en Python – construyendo un clasificador

Regresión logística en Python – construyendo un clasificador

No es necesario crear un clasificador desde cero. La construcción de clasificadores es compleja y requiere el conocimiento de varias áreas, como estadística, teoría de probabilidad, técnicas de optimización, etc. Hay varias bibliotecas listas para usar disponibles en el mercado que tienen implementaciones completamente probadas y muy eficientes de estos clasificadores. Usaremos uno de esos modelos confeccionados de Sklearn…

Clasificador de Sklearn

Generar un clasificador de regresión logística a partir de la caja de herramientas de sklearn es trivial y se realiza con una sola declaración programática como se muestra aquí:

In [22]: classifier = LogisticRegression(solver="lbfgs",random_state=0)

Después de crear el clasificador, cargará sus datos de entrenamiento en el clasificador para que pueda ajustar sus parámetros internos y esté listo para hacer predicciones basadas en sus datos futuros. Para configurar el clasificador, ejecutamos la siguiente declaración:

In [23]: classifier.fit(X_train, Y_train)

El clasificador está listo para probar. El siguiente código es el resultado de ejecutar las dos declaraciones anteriores:

Out[23]: LogisticRegression(C = 1.0, class_weight = None, dual = False, 
   fit_intercept=True, intercept_scaling=1, max_iter=100, 
   multi_class="warn", n_jobs=None, penalty='l2', random_state=0, 
   solver="lbfgs", tol=0.0001, verbose=0, warm_start=False))

Ahora estamos listos para probar el clasificador generado. Veremos esto en el próximo capítulo.