Scegli un algoritmo di apprendimento automatico per il compito di classificazione in cui hai fiducia?

Per compiti di classificazione, si sceglie spesso l'algoritmo di regressione logistica o albero decisionale per la loro semplicità e interpretabilità.

Ad esempio, la regressione logistica è adatta per la classificazione binaria e si addestra rapidamente su set di dati piccoli e medi. Modella la probabilità che un oggetto appartenga a una classe tramite una funzione sigmoide.

Esempio in Python con sklearn:

from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# Carica i dati
X, y = load_iris(return_X_y=True)

# Per semplicità, prendi solo due classi
X = X[y != 2]
y = y[y != 2]

# Dividi in set di addestramento e test
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# Addestra il modello
model = LogisticRegression()
model.fit(X_train, y_train)

# Valuta l'accuratezza
print("Precisione:", model.score(X_test, y_test))

Questo algoritmo è facile da implementare e spesso rappresenta un buon punto di partenza per i compiti di classificazione.