Logistisk regression

Hej,

Naive Bayes är en av de simplare modellerna att implementera, och den grundar sig i en förenklad bild av hur text och en klass hänger samman. Det finns många fler modeller som vi kan träna, och en av dem är logistisk regression.

I följande kodcell ska vi använda oss av modellen LogisticRegression för klassificering av flera klasser. Sätt modellens parametrar så att följande stämmer:

• random_state har ett bestämt värde så att modellens resultat är reproducerbara.
• Parametern för maximala antalet iteration ska som minst sättas till 500, så att modellen har tid att närma sig en bra lösning (även om den kan behöva fler steg för att konvergera).
• Modellen ska använda sig av saga för optimering.
• Valfritt: sätt verbose=True för att få utskrifter om vilken iteration modellen är på.

För att genomföra detta behöver du troligtvis läsa om modellens paramterar i Scikit-learns dokumentation.

Data vektoriseras med CountVectorizer så att resultat går att jämföra med Naive Bayes-modellen. Det finns dock andra vektoriserare, exempelvis en som transformerar till tf-idf, TfidfVectorizer.

Utför träningen på ej balanserad träningsdata. Träning på balanserad data sker i en efterföljande kodcell.

OBS: Det kan ta några minuter för modellen att slutföra sin träning.

jag får inte rätt svar och undrar om jag har skrivit rätt.

https://ai-for-naturligt-sprak.ida.liu.se/content/kapitel_3/slutuppgift