LogisticRegression en sklearn
C, max_iter et class_weight sans magie.
L'estimateur
from sklearn.linear_model import LogisticRegression
clf = LogisticRegression(C=1.0, max_iter=1000, class_weight=None)
clf.fit(X_train, y_train)
print(clf.predict(X_test[:3]), clf.predict_proba(X_test[:3]))
C = inverse de la régularisation L2 (petit C = fort, comme alpha grand en Ridge Ch15). max_iter = budget d'optimisation LBFGS : augmentez si avertissement de non-convergence. class_weight="balanced" repondère les classes rares. predict_proba donne P(y=1|x) pour le seuil du Ch14 et la calibration de la leçon suivante.
Réflexe
C et seuil se choisissent sur validation stratifiée (Ch14 mia-validation-croisee), jamais sur test. L'atelier suivant appliquera exactement ce triplet.
Pas de correction en ligneConfrontez votre code aux résultats attendus du cours.