From bca919aefc0d720b7508137111c963c9d9596147 Mon Sep 17 00:00:00 2001 From: =?UTF-8?q?Pawe=C5=82=20Sk=C3=B3rzewski?= Date: Thu, 23 Mar 2023 10:35:39 +0100 Subject: [PATCH] =?UTF-8?q?Wyk=C5=82ad=204?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- wyk/04_Regresja_logistyczna.ipynb | 1546 +++++++++++++++-------------- 1 file changed, 774 insertions(+), 772 deletions(-) diff --git a/wyk/04_Regresja_logistyczna.ipynb b/wyk/04_Regresja_logistyczna.ipynb index 1d5e78d..f021276 100644 --- a/wyk/04_Regresja_logistyczna.ipynb +++ b/wyk/04_Regresja_logistyczna.ipynb @@ -115,7 +115,7 @@ }, { "cell_type": "code", - "execution_count": 147, + "execution_count": 1, "metadata": { "slideshow": { "slide_type": "notes" @@ -224,7 +224,7 @@ }, { "cell_type": "code", - "execution_count": 148, + "execution_count": 2, "metadata": { "slideshow": { "slide_type": "subslide" @@ -254,7 +254,7 @@ }, { "cell_type": "code", - "execution_count": 149, + "execution_count": 3, "metadata": { "scrolled": true, "slideshow": { @@ -289,7 +289,7 @@ }, { "cell_type": "code", - "execution_count": 150, + "execution_count": 4, "metadata": { "slideshow": { "slide_type": "notes" @@ -313,7 +313,7 @@ }, { "cell_type": "code", - "execution_count": 151, + "execution_count": 5, "metadata": { "slideshow": { "slide_type": "subslide" @@ -331,11 +331,11 @@ " \n", " \n", " \n", - " 2022-11-03T15:23:33.850909\n", + " 2023-03-23T07:55:09.633300\n", " image/svg+xml\n", " \n", " \n", - " Matplotlib v3.6.1, https://matplotlib.org/\n", + " Matplotlib v3.6.2, https://matplotlib.org/\n", " \n", " \n", " \n", @@ -364,7 +364,7 @@ " \n", " \n", " \n", - " \n", " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", " \n", " \n", " \n", " \n", " \n", " \n", - " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -574,7 +574,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -603,7 +603,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -642,7 +642,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -689,7 +689,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -723,7 +723,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -763,7 +763,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -808,7 +808,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -858,12 +858,12 @@ " \n", " \n", " \n", - " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -895,7 +895,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -911,7 +911,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -926,7 +926,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -941,7 +941,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -956,7 +956,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -971,7 +971,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -1242,7 +1242,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -1297,7 +1297,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -1331,7 +1331,7 @@ }, { "cell_type": "code", - "execution_count": 152, + "execution_count": 6, "metadata": { "slideshow": { "slide_type": "subslide" @@ -1349,11 +1349,11 @@ " \n", " \n", " \n", - " 2022-11-03T15:23:34.362318\n", + " 2023-03-23T07:55:10.388366\n", " image/svg+xml\n", " \n", " \n", - " Matplotlib v3.6.1, https://matplotlib.org/\n", + " Matplotlib v3.6.2, https://matplotlib.org/\n", " \n", " \n", " \n", @@ -1382,7 +1382,7 @@ " \n", " \n", " \n", - " \n", " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", " \n", " \n", " \n", " \n", " \n", " \n", - " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -1592,7 +1592,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -1621,7 +1621,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -1660,7 +1660,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -1707,7 +1707,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -1741,7 +1741,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -1781,7 +1781,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -1826,7 +1826,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -1876,12 +1876,12 @@ " \n", " \n", " \n", - " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -1913,7 +1913,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -1929,7 +1929,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -1944,7 +1944,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -1959,7 +1959,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -1974,7 +1974,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -1989,7 +1989,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -2226,7 +2226,7 @@ " \n", " \n", + "\" clip-path=\"url(#pb587773006)\" style=\"fill: none; stroke: #1f77b4; stroke-width: 2; stroke-linecap: square\"/>\n", " \n", " \n", " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -2389,7 +2389,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -2422,7 +2422,7 @@ }, { "cell_type": "code", - "execution_count": 153, + "execution_count": 7, "metadata": { "slideshow": { "slide_type": "subslide" @@ -2440,11 +2440,11 @@ " \n", " \n", " \n", - " 2022-11-03T15:23:35.035715\n", + " 2023-03-23T07:55:10.969204\n", " image/svg+xml\n", " \n", " \n", - " Matplotlib v3.6.1, https://matplotlib.org/\n", + " Matplotlib v3.6.2, https://matplotlib.org/\n", " \n", " \n", " \n", @@ -2473,7 +2473,7 @@ " \n", " \n", " \n", - " \n", " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", " \n", " \n", " \n", " \n", " \n", " \n", - " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -2683,7 +2683,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -2712,7 +2712,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -2751,7 +2751,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -2798,7 +2798,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -2832,7 +2832,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -2872,7 +2872,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -2917,7 +2917,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -2967,12 +2967,12 @@ " \n", " \n", " \n", - " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -3004,7 +3004,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -3020,7 +3020,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -3035,7 +3035,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -3050,7 +3050,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -3065,7 +3065,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -3080,7 +3080,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -3317,12 +3317,12 @@ " \n", " \n", + "\" clip-path=\"url(#pc9017d1679)\" style=\"fill: none; stroke: #1f77b4; stroke-width: 2; stroke-linecap: square\"/>\n", " \n", " \n", " \n", + "\" clip-path=\"url(#pc9017d1679)\" style=\"fill: none; stroke-dasharray: 5.55,2.4; stroke-dashoffset: 0; stroke: #ffa500; stroke-width: 1.5\"/>\n", " \n", " \n", " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -3610,7 +3610,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -3686,7 +3686,7 @@ }, { "cell_type": "code", - "execution_count": 154, + "execution_count": 8, "metadata": { "slideshow": { "slide_type": "fragment" @@ -3701,7 +3701,7 @@ }, { "cell_type": "code", - "execution_count": 155, + "execution_count": 9, "metadata": { "slideshow": { "slide_type": "notes" @@ -3735,7 +3735,7 @@ }, { "cell_type": "code", - "execution_count": 156, + "execution_count": 10, "metadata": { "scrolled": true, "slideshow": { @@ -3754,11 +3754,11 @@ " \n", " \n", " \n", - " 2022-11-03T15:23:35.446636\n", + " 2023-03-23T07:55:11.445471\n", " image/svg+xml\n", " \n", " \n", - " Matplotlib v3.6.1, https://matplotlib.org/\n", + " Matplotlib v3.6.2, https://matplotlib.org/\n", " \n", " \n", " \n", @@ -3789,12 +3789,12 @@ " \n", " \n", " \n", - " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -3836,7 +3836,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -3876,7 +3876,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -3912,7 +3912,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -3925,7 +3925,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -3940,12 +3940,12 @@ " \n", " \n", " \n", - " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -3969,7 +3969,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -3984,7 +3984,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -3999,7 +3999,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -4046,7 +4046,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -4102,7 +4102,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -4194,7 +4194,7 @@ "L 401.164203 31.925164 \n", "L 402.94858 31.846049 \n", "L 402.94858 31.846049 \n", - "\" clip-path=\"url(#pb1a53d966d)\" style=\"fill: none; stroke: #1f77b4; stroke-width: 2; stroke-linecap: square\"/>\n", + "\" clip-path=\"url(#pd2e7b37012)\" style=\"fill: none; stroke: #1f77b4; stroke-width: 2; stroke-linecap: square\"/>\n", " \n", " \n", " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -4276,7 +4276,7 @@ }, { "cell_type": "code", - "execution_count": 157, + "execution_count": 11, "metadata": { "slideshow": { "slide_type": "skip" @@ -4319,7 +4319,7 @@ }, { "cell_type": "code", - "execution_count": 158, + "execution_count": 12, "metadata": { "slideshow": { "slide_type": "subslide" @@ -4338,7 +4338,7 @@ }, { "cell_type": "code", - "execution_count": 159, + "execution_count": 13, "metadata": { "slideshow": { "slide_type": "fragment" @@ -4353,7 +4353,7 @@ }, { "cell_type": "code", - "execution_count": 160, + "execution_count": 14, "metadata": { "slideshow": { "slide_type": "subslide" @@ -4382,7 +4382,7 @@ }, { "cell_type": "code", - "execution_count": 161, + "execution_count": 15, "metadata": { "slideshow": { "slide_type": "subslide" @@ -4410,7 +4410,7 @@ }, { "cell_type": "code", - "execution_count": 162, + "execution_count": 16, "metadata": { "slideshow": { "slide_type": "notes" @@ -4447,7 +4447,7 @@ }, { "cell_type": "code", - "execution_count": 163, + "execution_count": 17, "metadata": { "scrolled": true, "slideshow": { @@ -4466,11 +4466,11 @@ " \n", " \n", " \n", - " 2022-11-03T15:23:36.128355\n", + " 2023-03-23T07:55:12.086231\n", " image/svg+xml\n", " \n", " \n", - " Matplotlib v3.6.1, https://matplotlib.org/\n", + " Matplotlib v3.6.2, https://matplotlib.org/\n", " \n", " \n", " \n", @@ -4499,7 +4499,7 @@ " \n", " \n", " \n", - " \n", " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", - " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", + " \n", " \n", " \n", " \n", " \n", " \n", " \n", - " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -4709,7 +4709,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -4738,7 +4738,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -4777,7 +4777,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -4824,7 +4824,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -4858,7 +4858,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -4898,7 +4898,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -4943,7 +4943,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -4993,12 +4993,12 @@ " \n", " \n", " \n", - " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -5030,7 +5030,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -5046,7 +5046,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -5061,7 +5061,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -5076,7 +5076,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -5091,7 +5091,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -5106,7 +5106,7 @@ " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -5420,12 +5420,12 @@ "L 584.122456 218.355011 \n", "L 591.12195 218.35577 \n", "L 598.121444 218.356393 \n", - "\" clip-path=\"url(#p1e70a97f54)\" style=\"fill: none; stroke: #1f77b4; stroke-width: 2; stroke-linecap: square\"/>\n", + "\" clip-path=\"url(#p240463a1d1)\" style=\"fill: none; stroke: #1f77b4; stroke-width: 2; stroke-linecap: square\"/>\n", " \n", " \n", " \n", + "\" clip-path=\"url(#p240463a1d1)\" style=\"fill: none; stroke-dasharray: 5.55,2.4; stroke-dashoffset: 0; stroke: #ffa500; stroke-width: 1.5\"/>\n", " \n", " \n", " \n", " \n", " \n", - " \n", + " \n", " \n", " \n", " \n", @@ -5478,7 +5478,7 @@ } }, "source": [ - "Traktujemy wartość $h_\\theta(x)$ jako prawdopodobieństwo, że cecha przyjmie wartość pozytywną:\n", + "Traktujemy wartość $h_\\theta(x)$ jako prawdopodobieństwo zdefiniowane w następujący sposób:\n", "\n", "$$ h_\\theta(x) = P(y = 1 \\, | \\, x; \\theta) $$" ] @@ -5538,7 +5538,7 @@ }, { "cell_type": "code", - "execution_count": 164, + "execution_count": 18, "metadata": { "slideshow": { "slide_type": "subslide" @@ -5571,7 +5571,7 @@ }, { "cell_type": "code", - "execution_count": 165, + "execution_count": 19, "metadata": { "slideshow": { "slide_type": "subslide" @@ -5612,7 +5612,7 @@ }, { "cell_type": "code", - "execution_count": 166, + "execution_count": 20, "metadata": { "slideshow": { "slide_type": "subslide" @@ -5630,7 +5630,7 @@ }, { "cell_type": "code", - "execution_count": 167, + "execution_count": 21, "metadata": { "slideshow": { "slide_type": "subslide" @@ -5682,7 +5682,7 @@ }, { "cell_type": "code", - "execution_count": 168, + "execution_count": 22, "metadata": { "slideshow": { "slide_type": "subslide" @@ -5730,7 +5730,7 @@ }, { "cell_type": "code", - "execution_count": 169, + "execution_count": 23, "metadata": { "slideshow": { "slide_type": "notes" @@ -5792,7 +5792,7 @@ }, { "cell_type": "code", - "execution_count": 170, + "execution_count": 24, "metadata": { "slideshow": { "slide_type": "fragment" @@ -5890,7 +5890,7 @@ "5 6.0 2.7 5.1 1.6 Iris-versicolor" ] }, - "execution_count": 170, + "execution_count": 24, "metadata": {}, "output_type": "execute_result" } @@ -5904,7 +5904,7 @@ }, { "cell_type": "code", - "execution_count": 171, + "execution_count": 25, "metadata": { "slideshow": { "slide_type": "subslide" @@ -6011,7 +6011,7 @@ }, { "cell_type": "code", - "execution_count": 172, + "execution_count": 26, "metadata": { "slideshow": { "slide_type": "notes" @@ -6042,7 +6042,7 @@ }, { "cell_type": "code", - "execution_count": 173, + "execution_count": 27, "metadata": { "slideshow": { "slide_type": "notes" @@ -6147,7 +6147,7 @@ }, { "cell_type": "code", - "execution_count": 174, + "execution_count": 28, "metadata": { "slideshow": { "slide_type": "subslide" @@ -6173,7 +6173,7 @@ }, { "cell_type": "code", - "execution_count": 175, + "execution_count": 29, "metadata": { "slideshow": { "slide_type": "fragment" @@ -6196,7 +6196,7 @@ }, { "cell_type": "code", - "execution_count": 176, + "execution_count": 30, "metadata": { "slideshow": { "slide_type": "subslide" @@ -6219,8 +6219,9 @@ }, { "cell_type": "code", - "execution_count": 177, + "execution_count": 31, "metadata": { + "scrolled": true, "slideshow": { "slide_type": "subslide" } @@ -6231,25 +6232,25 @@ "output_type": "stream", "text": [ "Otrzymana macierz parametrów theta dla klasy 0:\n", - " [[ 0.30877778]\n", - " [-0.16504776]\n", - " [ 1.92701194]\n", - " [-1.83418434]\n", - " [-0.50458444]] \n", + " [[ 0.44809895]\n", + " [-0.02470655]\n", + " [ 1.73058264]\n", + " [-1.97727025]\n", + " [-0.3624556 ]] \n", "\n", "Otrzymana macierz parametrów theta dla klasy 1:\n", - " [[ 0.93723385]\n", - " [-0.13501701]\n", - " [-0.8448612 ]\n", - " [ 0.77823106]\n", - " [-0.95577092]] \n", + " [[ 0.5642055 ]\n", + " [ 0.11085065]\n", + " [-1.01510744]\n", + " [ 0.55275035]\n", + " [-0.70237456]] \n", "\n", "Otrzymana macierz parametrów theta dla klasy 2:\n", - " [[-0.72237014]\n", - " [-1.56606505]\n", - " [-1.71063165]\n", - " [ 2.21207268]\n", - " [ 2.78489436]] \n", + " [[-0.44893077]\n", + " [-1.60497843]\n", + " [-1.86196767]\n", + " [ 2.36049057]\n", + " [ 2.5959696 ]] \n", "\n" ] } @@ -6276,7 +6277,7 @@ }, { "cell_type": "code", - "execution_count": 178, + "execution_count": 32, "metadata": { "slideshow": { "slide_type": "subslide" @@ -6299,8 +6300,9 @@ }, { "cell_type": "code", - "execution_count": 179, + "execution_count": 33, "metadata": { + "scrolled": true, "slideshow": { "slide_type": "subslide" } @@ -6311,29 +6313,29 @@ "output_type": "stream", "text": [ "Dla x = [[1. 7.3 2.9 6.3 1.8]]:\n", - "Po zastosowaniu regresji: [-7.77134959 0.68398021 1.83339097]\n", - "Otrzymane prawdopodobieństwa: [0. 0.241 0.759]\n", + "Po zastosowaniu regresji: [-7.82279188 0.64765672 1.97885627]\n", + "Otrzymane prawdopodobieństwa: [0. 0.209 0.791]\n", "Wybrana klasa: 2\n", "Obliczone y = 2\n", "Oczekiwane y = 2\n", "\n", "Dla x = [[1. 4.8 3. 1.4 0.3]]:\n", - "Po zastosowaniu regresji: [ 2.57835094 -1.4426392 -9.43900726]\n", - "Otrzymane prawdopodobieństwa: [0.982 0.018 0. ]\n", + "Po zastosowaniu regresji: [ 2.6443404 -1.38589555 -9.65525259]\n", + "Otrzymane prawdopodobieństwa: [0.983 0.017 0. ]\n", "Wybrana klasa: 0\n", "Obliczone y = 0\n", "Oczekiwane y = 0\n", "\n", "Dla x = [[1. 7.1 3. 5.9 2.1]]:\n", - "Po zastosowaniu regresji: [-6.96334044 0.0284738 1.92618005]\n", - "Otrzymane prawdopodobieństwa: [0. 0.13 0.87]\n", + "Po zastosowaniu regresji: [-6.96262088 0.09216334 1.94824984]\n", + "Otrzymane prawdopodobieństwa: [0. 0.135 0.865]\n", "Wybrana klasa: 2\n", "Obliczone y = 2\n", "Oczekiwane y = 2\n", "\n", "Dla x = [[1. 5.9 3. 5.1 1.8]]:\n", - "Po zastosowaniu regresji: [-5.14656032 -0.14535936 1.20033165]\n", - "Otrzymane prawdopodobieństwa: [0.001 0.206 0.792]\n", + "Po zastosowaniu regresji: [-5.24242014 -0.27234536 1.20704063]\n", + "Otrzymane prawdopodobieństwa: [0.001 0.185 0.813]\n", "Wybrana klasa: 2\n", "Obliczone y = 2\n", "Oczekiwane y = 2\n", @@ -6347,7 +6349,7 @@ " YPredicted = classify(thetas, XTest[i], debug=True)\n", " print(f\"Obliczone y = {YPredicted}\")\n", " print(f\"Oczekiwane y = {np.argmax(YTest[i])}\")\n", - " print()\n" + " print() \n" ] } ],