{"id":1154,"date":"2023-07-27T11:31:28","date_gmt":"2023-07-27T11:31:28","guid":{"rendered":"https:\/\/statorials.org\/pl\/python-regresji-logistycznej\/"},"modified":"2023-07-27T11:31:28","modified_gmt":"2023-07-27T11:31:28","slug":"python-regresji-logistycznej","status":"publish","type":"post","link":"https:\/\/statorials.org\/pl\/python-regresji-logistycznej\/","title":{"rendered":"Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w pythonie (krok po kroku)"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\"><a href=\"https:\/\/statorials.org\/pl\/regresja-logistyczna-1\/\" target=\"_blank\" rel=\"noopener noreferrer\">Regresja logistyczna<\/a> to metoda, kt\u00f3rej mo\u017cemy u\u017cy\u0107 do dopasowania modelu regresji, gdy <a href=\"https:\/\/statorials.org\/pl\/zmienne-odpowiedzi-wyjasniajace\/\" target=\"_blank\" rel=\"noopener noreferrer\">zmienna odpowiedzi<\/a> jest binarna.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Regresja logistyczna wykorzystuje metod\u0119 zwan\u0105 <em>estymacj\u0105 najwi\u0119kszej wiarygodno\u015bci<\/em> w celu znalezienia r\u00f3wnania w nast\u0119puj\u0105cej postaci:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>log[p(X) \/ ( <sub>1<\/sub> -p(X))] = \u03b2 <sub>0<\/sub> + \u03b2 <sub>1<\/sub> X <sub>1<\/sub> + \u03b2 <sub>2<\/sub> X <sub>2<\/sub> + \u2026 + \u03b2 <sub>p<\/sub><\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Z\u0142oto:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>X <sub>j<\/sub><\/strong> : j- <sup>ta<\/sup> zmienna predykcyjna<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>\u03b2 <sub>j<\/sub><\/strong> : estymacja wsp\u00f3\u0142czynnika dla j <sup>-tej<\/sup> zmiennej predykcyjnej<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Wz\u00f3r po prawej stronie r\u00f3wnania przewiduje <strong>logarytm szansy<\/strong> , \u017ce zmienna odpowiedzi przyjmie warto\u015b\u0107 1.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Zatem dopasowuj\u0105c model regresji logistycznej, mo\u017cemy u\u017cy\u0107 poni\u017cszego r\u00f3wnania do obliczenia prawdopodobie\u0144stwa, \u017ce dana obserwacja przyjmie warto\u015b\u0107 1:<\/span><\/p>\n<p> <span style=\"color: #000000;\">p(X) = e <sup>\u03b2 <sub>0<\/sub> + <sub>\u03b2<\/sub> <sub>1<\/sub> <sub>X<\/sub> <sub>1<\/sub> <sub>+<\/sub> <sub>\u03b2<\/sub><\/sup> <sup><sub>2<\/sub> <sub>X<\/sub> <sub>2<\/sub> <sub>+<\/sub> <sub>\u2026<\/sub> <sub>+<\/sub> <sub>\u03b2<\/sub><\/sup> p<\/span><\/p>\n<p> <span style=\"color: #000000;\">Nast\u0119pnie u\u017cywamy pewnego progu prawdopodobie\u0144stwa, aby sklasyfikowa\u0107 obserwacj\u0119 jako 1 lub 0.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Na przyk\u0142ad mo\u017cemy powiedzie\u0107, \u017ce obserwacje z prawdopodobie\u0144stwem wi\u0119kszym lub r\u00f3wnym 0,5 zostan\u0105 sklasyfikowane jako \u201e1\u201d, a wszystkie inne obserwacje zostan\u0105 sklasyfikowane jako \u201e0\u201d.<\/span><\/p>\n<p> <span style=\"color: #000000;\">W tym samouczku przedstawiono krok po kroku przyk\u0142ad wykonania regresji logistycznej w j\u0119zyku R.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Krok 1: Zaimportuj niezb\u0119dne pakiety<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Najpierw zaimportujemy niezb\u0119dne pakiety, aby wykona\u0107 regresj\u0119 logistyczn\u0105 w Pythonie:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008000;\">import<\/span> pandas <span style=\"color: #008000;\">as<\/span> pd\n<span style=\"color: #008000;\">import<\/span> numpy <span style=\"color: #008000;\">as<\/span> np\n<span style=\"color: #008000;\">from<\/span> sklearn. <span style=\"color: #3366ff;\">model_selection<\/span> <span style=\"color: #008000;\">import<\/span> train_test_split\n<span style=\"color: #008000;\">from<\/span> sklearn. <span style=\"color: #3366ff;\">linear_model<\/span> <span style=\"color: #008000;\">import<\/span> LogisticRegression\n<span style=\"color: #008000;\">from<\/span> sklearn <span style=\"color: #008000;\">import<\/span> metrics\n<span style=\"color: #008000;\">import<\/span> matplotlib. <span style=\"color: #3366ff;\">pyplot<\/span> <span style=\"color: #008000;\">as<\/span> plt\n<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Krok 2: Za\u0142aduj dane<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">W tym przyk\u0142adzie u\u017cyjemy <strong>domy\u015blnego<\/strong> zestawu danych z <a href=\"https:\/\/www.ime.unicamp.br\/~dias\/Intoduction%20to%20Statistical%20Learning.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">ksi\u0105\u017cki Wprowadzenie do uczenia si\u0119 statystycznego<\/a> . Mo\u017cemy u\u017cy\u0107 nast\u0119puj\u0105cego kodu, aby za\u0142adowa\u0107 i wy\u015bwietli\u0107 podsumowanie zbioru danych:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#import dataset from CSV file on Github\n<span style=\"color: #000000;\">url = \"https:\/\/raw.githubusercontent.com\/Statorials\/Python-Guides\/main\/default.csv\"\ndata = pd. <span style=\"color: #3366ff;\">read_csv<\/span> (url)\n<\/span><\/span>\n<span style=\"color: #008080;\">#view first six rows of dataset\n<\/span>data[0:6]\n\n        default student balance income\n0 0 0 729.526495 44361.625074\n1 0 1 817.180407 12106.134700\n2 0 0 1073.549164 31767.138947\n3 0 0 529.250605 35704.493935\n4 0 0 785.655883 38463.495879\n5 0 1 919.588530 7491.558572  \n\n<span style=\"color: #008080;\">#find total observations in dataset<\/span>\nlen( <span style=\"color: #3366ff;\">data.index<\/span> )\n\n10000\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Ten zbi\u00f3r danych zawiera nast\u0119puj\u0105ce informacje na temat 10 000 os\u00f3b:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>default:<\/strong> wskazuje, czy dana osoba nie wywi\u0105za\u0142a si\u0119 ze zobowi\u0105zania, czy nie.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>student:<\/strong> wskazuje, czy dana osoba jest studentem, czy nie.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>saldo:<\/strong> \u015arednie saldo utrzymywane przez osob\u0119.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>doch\u00f3d:<\/strong> Doch\u00f3d osoby fizycznej.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Wykorzystamy status studenta, stan konta bankowego i dochody, aby skonstruowa\u0107 model regresji logistycznej, kt\u00f3ry przewiduje prawdopodobie\u0144stwo niewyp\u0142acalno\u015bci danej osoby.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Krok 3: Utw\u00f3rz pr\u00f3bki szkoleniowe i testowe<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Nast\u0119pnie podzielimy zbi\u00f3r danych na zbi\u00f3r ucz\u0105cy, na kt\u00f3rym b\u0119dziemy <em>trenowa\u0107<\/em> model, oraz zbi\u00f3r testowy, na <em>kt\u00f3rym b\u0119dziemy testowa\u0107<\/em> model.<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#define the predictor variables and the response variable\n<\/span>X = data[[' <span style=\"color: #008000;\">student<\/span> ',' <span style=\"color: #008000;\">balance<\/span> ',' <span style=\"color: #008000;\">income<\/span> ']]\ny = data[' <span style=\"color: #008000;\">default<\/span> ']\n\n<span style=\"color: #008080;\">#split the dataset into training (70%) and testing (30%) sets\n<\/span>X_train,X_test,y_train,y_test = <span style=\"color: #3366ff;\">train_test_split<\/span> (X,y,test_size=0.3,random_state=0)<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Krok 4: Dopasuj model regresji logistycznej<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Nast\u0119pnie u\u017cyjemy funkcji <b>LogisticRegression(),<\/b> aby dopasowa\u0107 model regresji logistycznej do zbioru danych:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#instantiate the model\n<\/span>log_regression = LogisticRegression()\n\n<span style=\"color: #008080;\">#fit the model using the training data\n<\/span>log_regression. <span style=\"color: #3366ff;\">fit<\/span> (X_train,y_train)\n\n<span style=\"color: #008080;\">#use model to make predictions on test data\n<\/span>y_pred = log_regression. <span style=\"color: #3366ff;\">predict<\/span> (X_test)\n<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Krok 5: Diagnostyka modelu<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Po dopasowaniu modelu regresji mo\u017cemy nast\u0119pnie przeanalizowa\u0107 dzia\u0142anie naszego modelu na testowym zbiorze danych.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Najpierw utworzymy macierz zamieszania<\/span> <span style=\"color: #000000;\">dla modelu:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <span style=\"color: #000000;\"><strong>cnf_matrix = metrics. <span style=\"color: #3366ff;\">confusion_matrix<\/span> (y_test, y_pred)\ncnf_matrix\n\narray([[2886, 1],\n       [113,0]])\n<\/strong><\/span><\/pre>\n<p> <span style=\"color: #000000;\">Z macierzy zamieszania widzimy, \u017ce:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">#Prawdziwie pozytywne przewidywania: 2886<\/span><\/li>\n<li> <span style=\"color: #000000;\">#Prawdziwie negatywne przewidywania: 0<\/span><\/li>\n<li> <span style=\"color: #000000;\">#Fa\u0142szywie pozytywne przewidywania: 113<\/span><\/li>\n<li> <span style=\"color: #000000;\">#Fa\u0142szywe negatywne przewidywania: 1<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Mo\u017cemy r\u00f3wnie\u017c uzyska\u0107 model dok\u0142adno\u015bci, kt\u00f3ry informuje nas o procentowym przewidywaniu korekt dokonanym przez model:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong>print(\" <span style=\"color: #008000;\">Accuracy:<\/span> \", <span style=\"color: #3366ff;\">metrics.accuracy_score<\/span> (y_test, y_pred))l\n\nAccuracy: 0.962\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">To m\u00f3wi nam, \u017ce model prawid\u0142owo przewidzia\u0142, czy dana osoba nie wywi\u0105\u017ce si\u0119 ze zobowi\u0105za\u0144 w <strong>96,2%<\/strong> przypadk\u00f3w.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Na koniec mo\u017cemy wykre\u015bli\u0107 krzyw\u0105 charakterystyki dzia\u0142ania odbiornika (ROC), kt\u00f3ra wy\u015bwietla procent prawdziwie pozytywnych wynik\u00f3w przewidywanych przez model, gdy pr\u00f3g prawdopodobie\u0144stwa przewidywania zostanie obni\u017cony z 1 do 0.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Im wy\u017cszy AUC (obszar pod krzyw\u0105), tym dok\u0142adniej nasz model jest w stanie przewidzie\u0107 wyniki:<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <span style=\"color: #000000;\"><strong><span style=\"color: #008080;\">#define metrics<\/span>\ny_pred_proba = log_regression. <span style=\"color: #3366ff;\">predict_proba<\/span> (X_test)[::,1]\nfpr, tpr, _ = metrics. <span style=\"color: #3366ff;\">roc_curve<\/span> (y_test, y_pred_proba)\nauc = metrics. <span style=\"color: #3366ff;\">roc_auc_score<\/span> (y_test, y_pred_proba)\n\n<span style=\"color: #008080;\">#create ROC curve\n<\/span>plt. <span style=\"color: #3366ff;\">plot<\/span> (fpr,tpr,label=\" <span style=\"color: #008000;\">AUC=<\/span> \"+str(auc))\nplt. <span style=\"color: #3366ff;\">legend<\/span> (loc=4)\nplt. <span style=\"color: #3366ff;\">show<\/span> ()\n<\/strong><\/span><\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11591 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/auc1.png\" alt=\"Krzywa ROC w Pythonie\" width=\"389\" height=\"262\" srcset=\"\" sizes=\"auto, \"><\/p>\n<div class=\"entry-content entry-content-single\" data-content-ads-inserted=\"true\">\n<p> <em><span style=\"color: #000000;\">Pe\u0142ny kod Pythona u\u017cyty w tym samouczku mo\u017cna znale\u017a\u0107 <a href=\"https:\/\/github.com\/Statorials\/Python-Guides\/blob\/main\/logistic_regression.py\" target=\"_blank\" rel=\"noopener noreferrer\">tutaj<\/a> .<\/span><\/em><\/p>\n<\/div>\n","protected":false},"excerpt":{"rendered":"<p>Regresja logistyczna to metoda, kt\u00f3rej mo\u017cemy u\u017cy\u0107 do dopasowania modelu regresji, gdy zmienna odpowiedzi jest binarna. Regresja logistyczna wykorzystuje metod\u0119 zwan\u0105 estymacj\u0105 najwi\u0119kszej wiarygodno\u015bci w celu znalezienia r\u00f3wnania w nast\u0119puj\u0105cej postaci: log[p(X) \/ ( 1 -p(X))] = \u03b2 0 + \u03b2 1 X 1 + \u03b2 2 X 2 + \u2026 + \u03b2 p Z\u0142oto: [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1154","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w Pythonie (krok po kroku) - Statologia<\/title>\n<meta name=\"description\" content=\"W tym samouczku wyja\u015bniono, jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w j\u0119zyku Python, \u0142\u0105cznie z przyk\u0142adem krok po kroku.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/pl\/python-regresji-logistycznej\/\" \/>\n<meta property=\"og:locale\" content=\"pl_PL\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w Pythonie (krok po kroku) - Statologia\" \/>\n<meta property=\"og:description\" content=\"W tym samouczku wyja\u015bniono, jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w j\u0119zyku Python, \u0142\u0105cznie z przyk\u0142adem krok po kroku.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/pl\/python-regresji-logistycznej\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T11:31:28+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/auc1.png\" \/>\n<meta name=\"author\" content=\"Benjamin Anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Napisane przez\" \/>\n\t<meta name=\"twitter:data1\" content=\"Benjamin Anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Szacowany czas czytania\" \/>\n\t<meta name=\"twitter:data2\" content=\"4 minuty\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/pl\/python-regresji-logistycznej\/\",\"url\":\"https:\/\/statorials.org\/pl\/python-regresji-logistycznej\/\",\"name\":\"Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w Pythonie (krok po kroku) - Statologia\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/pl\/#website\"},\"datePublished\":\"2023-07-27T11:31:28+00:00\",\"dateModified\":\"2023-07-27T11:31:28+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/pl\/#\/schema\/person\/6484727a4612df3e69f016c3129c6965\"},\"description\":\"W tym samouczku wyja\u015bniono, jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w j\u0119zyku Python, \u0142\u0105cznie z przyk\u0142adem krok po kroku.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/pl\/python-regresji-logistycznej\/#breadcrumb\"},\"inLanguage\":\"pl-PL\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/pl\/python-regresji-logistycznej\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/pl\/python-regresji-logistycznej\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Dom\",\"item\":\"https:\/\/statorials.org\/pl\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w pythonie (krok po kroku)\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/pl\/#website\",\"url\":\"https:\/\/statorials.org\/pl\/\",\"name\":\"Statorials\",\"description\":\"Tw\u00f3j przewodnik po kompetencjach statystycznych!\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/pl\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"pl-PL\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/pl\/#\/schema\/person\/6484727a4612df3e69f016c3129c6965\",\"name\":\"Benjamin Anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"pl-PL\",\"@id\":\"https:\/\/statorials.org\/pl\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/statorials.org\/pl\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"https:\/\/statorials.org\/pl\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg\",\"caption\":\"Benjamin Anderson\"},\"description\":\"Cze\u015b\u0107, jestem Benjamin i jestem emerytowanym profesorem statystyki, kt\u00f3ry zosta\u0142 oddanym nauczycielem Statorials. Dzi\u0119ki bogatemu do\u015bwiadczeniu i wiedzy specjalistycznej w dziedzinie statystyki ch\u0119tnie dziel\u0119 si\u0119 swoj\u0105 wiedz\u0105, aby wzmocni\u0107 pozycj\u0119 uczni\u00f3w za po\u015brednictwem Statorials. Wiedzie\u0107 wi\u0119cej\",\"sameAs\":[\"https:\/\/statorials.org\/pl\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w Pythonie (krok po kroku) - Statologia","description":"W tym samouczku wyja\u015bniono, jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w j\u0119zyku Python, \u0142\u0105cznie z przyk\u0142adem krok po kroku.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/pl\/python-regresji-logistycznej\/","og_locale":"pl_PL","og_type":"article","og_title":"Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w Pythonie (krok po kroku) - Statologia","og_description":"W tym samouczku wyja\u015bniono, jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w j\u0119zyku Python, \u0142\u0105cznie z przyk\u0142adem krok po kroku.","og_url":"https:\/\/statorials.org\/pl\/python-regresji-logistycznej\/","og_site_name":"Statorials","article_published_time":"2023-07-27T11:31:28+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/auc1.png"}],"author":"Benjamin Anderson","twitter_card":"summary_large_image","twitter_misc":{"Napisane przez":"Benjamin Anderson","Szacowany czas czytania":"4 minuty"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/pl\/python-regresji-logistycznej\/","url":"https:\/\/statorials.org\/pl\/python-regresji-logistycznej\/","name":"Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w Pythonie (krok po kroku) - Statologia","isPartOf":{"@id":"https:\/\/statorials.org\/pl\/#website"},"datePublished":"2023-07-27T11:31:28+00:00","dateModified":"2023-07-27T11:31:28+00:00","author":{"@id":"https:\/\/statorials.org\/pl\/#\/schema\/person\/6484727a4612df3e69f016c3129c6965"},"description":"W tym samouczku wyja\u015bniono, jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w j\u0119zyku Python, \u0142\u0105cznie z przyk\u0142adem krok po kroku.","breadcrumb":{"@id":"https:\/\/statorials.org\/pl\/python-regresji-logistycznej\/#breadcrumb"},"inLanguage":"pl-PL","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/pl\/python-regresji-logistycznej\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/pl\/python-regresji-logistycznej\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Dom","item":"https:\/\/statorials.org\/pl\/"},{"@type":"ListItem","position":2,"name":"Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w pythonie (krok po kroku)"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/pl\/#website","url":"https:\/\/statorials.org\/pl\/","name":"Statorials","description":"Tw\u00f3j przewodnik po kompetencjach statystycznych!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/pl\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"pl-PL"},{"@type":"Person","@id":"https:\/\/statorials.org\/pl\/#\/schema\/person\/6484727a4612df3e69f016c3129c6965","name":"Benjamin Anderson","image":{"@type":"ImageObject","inLanguage":"pl-PL","@id":"https:\/\/statorials.org\/pl\/#\/schema\/person\/image\/","url":"https:\/\/statorials.org\/pl\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg","contentUrl":"https:\/\/statorials.org\/pl\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg","caption":"Benjamin Anderson"},"description":"Cze\u015b\u0107, jestem Benjamin i jestem emerytowanym profesorem statystyki, kt\u00f3ry zosta\u0142 oddanym nauczycielem Statorials. Dzi\u0119ki bogatemu do\u015bwiadczeniu i wiedzy specjalistycznej w dziedzinie statystyki ch\u0119tnie dziel\u0119 si\u0119 swoj\u0105 wiedz\u0105, aby wzmocni\u0107 pozycj\u0119 uczni\u00f3w za po\u015brednictwem Statorials. Wiedzie\u0107 wi\u0119cej","sameAs":["https:\/\/statorials.org\/pl"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/posts\/1154","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/comments?post=1154"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/posts\/1154\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/media?parent=1154"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/categories?post=1154"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/tags?post=1154"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}