Реализовать нижеперечисленные задания на Python в формате .ipynb. Файл с реализацией похожего задания, а также исходные данные для текущего задания во вложении. При необходимости датасет и файл с реализацией похожего задания отправлю в форматах csv и ipynb соответственно.
Задания 1. Обучить логистическую регрессионную модель с: а) logit-функцией связи; б) probit-функцией связи. Визуализировать области классов и границу между классами.
2. Рассчитать показатели точности обученных моделей: error rate, accuracy, sensitivity, specificity, precision, fall-out, F1-score, Cohen’s kappa на обучающей и тестовой выборках.
3. Построить ROC-кривые и PR-кривые по результатам классификации, рассчитать ROC AUC и PR AUC.
4. Обучить нормальный наивный байесовский классификатор в предположении о равных ковариационных матрицах классов. Записать аналитическое выражение для границы классов. Визуализировать области классов и границу между классами, сравнить с границами классов, полученными в п.1.
5. Построить графики зависимости точности классификации на обучающей и тестовой выборках от параметра регуляризации для обученной регуляризованной логистической регрессии с: а) L2-регуляризатором; б) L1-регуляризатором. Визуализировать границу между классами для нескольких различных значений параметра регуляризации, сравнить с границей, полученной в п.1.
6. Сделать выводы по результатам проведенных исследований.
Указания Кросс-валидация: Holdout (70/30).
В п.4 априорные вероятности классов считать равными.