Regresión logística en Python: clasificador de construcción

No es necesario que tenga que construir el clasificador desde cero. La construcción de clasificadores es compleja y requiere el conocimiento de varias áreas como estadística, teorías de probabilidad, técnicas de optimización, etc. Hay varias bibliotecas preconstruidas disponibles en el mercado que tienen una implementación completamente probada y muy eficiente de estos clasificadores. Usaremos uno de esos modelos prediseñados delsklearn.

El clasificador sklearn

La creación del clasificador de regresión logística a partir del kit de herramientas de sklearn es trivial y se realiza en una sola declaración de programa como se muestra aquí:

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

Una vez creado el clasificador, introducirá sus datos de entrenamiento en el clasificador para que pueda ajustar sus parámetros internos y esté listo para las predicciones de sus datos futuros. Para ajustar el clasificador, ejecutamos la siguiente declaración:

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

El clasificador ahora está listo para probar. El siguiente código es el resultado de la ejecución de 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 creado. Trataremos de esto en el próximo capítulo.