Régression logistique à plusieurs termes

** Régression logistique permettant une classification multi-classes **
Un modèle qui tente de transformer un prédicteur linéaire de sorte que la plage de valeurs soit [0,1] et que la somme soit 1.
Largement divisé en ** "Retour Logistique Nom" ** et ** "Retour Logistique Commande" **

(1) Nom logistique: classification multi-classes lorsqu'il n'y a pas d'ordre spécial entre les classes ** ex) Hommes = 0, Femmes = 1 **

(2) Logistique des commandes: classification multi-classes lorsqu'il y a une commande spéciale entre les classes. ** ex) Comme = 0, je n'aime pas trop ça = 1, je déteste = 2 **

Pour la classification multi-classes

データ

Et si p1 = 〇?

Quelle est la méthode d'optimisation?

データ

Expérience

** Cette fois, je voudrais analyser en utilisant l'ensemble de données de la bibliothèque sklearn. ** **

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_digits

digits = load_digits()
X=digits.data
y=digits.target

images_with_labels = list(zip(digits.images,digits.target))

plt.figure(figsize=(15,6))

for idx,(image,label) in enumerate(images_with_labels[:10]):
    plt.subplot(2,5,idx+1)
    plt.imshow(image,cmap=plt.cm.gray_r,interpolation="nearest")
    plt.title("{}".format(label),fontsize=25)
plt.show()

from sklearn.metrics import confusion_matrix
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

scaler=StandardScaler()
X_scaled=scaler.fit_transform(X)

X_train,X_test,y_train,y_test=train_test_split(X_scaled,y,random_state=0)

print(log_reg.score(X_train,y_train))
print(log_reg.score(X_test,y_test))

prediction=log_reg.predict(X_test)
confusion = confusion_matrix(prediction,y_test) #Génération de matrice mixte
print(confusinon)