Data Science and Machine Learning - #27 Regressão Logística II

Nesse tutorial continuamos falando de Regressão Logística, agora prevendo valores se as pessoas são diabéticas ou não.

Predizendo Valores através da Regressão Logística

Separando Conjunto de Dados

Vamos começar separando os nossos dados em X (rótulos) e y (valores a serem preditos)

X = df.drop("DiseaseCat",axis=1)
X

y=df["DiseaseCat"]
y

Através dos dados separados acima, podemos criar mais dois subgrupos, que serão o X_train, y_train (para a máquina aprender com os dados) e o X_test, y_test (a máquina não conhece) para verificarmos a eficiência do nosso modelo.

X_train, X_test,y_train,y_test = train_test_split(X,y,test_size=0.2,random_state=100)

Escalonamento dos Dados

Para evitar dimensões de dados muito distantes uma das outras, devemos trazer os valores para uma escala mais próxima, evitando assim ruídos na análise:

sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_train = pd.DataFrame(X_train, columns=["Pregnancies","Glucose","BloodPressure","SkinThickness","Insulin","BMI","DiabetesPedigreeFunction","Age"])
X_test = sc.transform(X_test)
X_test = pd.DataFrame(X_test, columns=["Pregnancies","Glucose","BloodPressure","SkinThickness","Insulin","BMI","DiabetesPedigreeFunction","Age"])
X_train

Definindo melhores hiperparâmetros

A escolha dos melhores hiperparâmetros ajuda bastante o algorítimo a trazer melhores resultados:

params=[
    {
    "penalty": ["l1","l2"],
    "C":[0.1,0.3,0.5,0.7,0.9,1,10,100]
    }
]
ins = LogisticRegression(C=0.9)
#grid_search = GridSearchCV(ins,params,cv=10)
#grid_search.fit(X_train,y_train)
#grid_search.best_params_

Predizendo Valores

Agora vamos predizer os valores de acordo com o aprendizado de máquina:

ins.fit(X_train,y_train)
pred = ins.predict(X_test)
pred[:10]

Avaliando o Desempenho

Uma importante ação na análise de dados é avaliar o desempenho do algorítimo:

ins.score(X_test,y_test)
print(classification_report(y_test,pred))
print(confusion_matrix(y_test,pred))

A matriz de confusão se parece com isso:

Por hoje é só! Sucesso nos códigos e na vida!