documentação_regressao_logistica.html

# regressao_logistica

class ModeloRegressaoLogistica:
    def __init__(self, taxa_aprendizagem=0.01, n_iteracoes=1000):
        self.taxa_aprendizagem = taxa_aprendizagem
        self.n_iteracoes = n_iteracoes
        self.pesos = None
        self.vies = None

    def sigmoid(self, z):
        return 1 / (1 + np.exp(-z))

    def ajuste(self, X, y):
        # Inicializando pesos e viés
        n_amostras, n_observacoes = X.shape
        self.pesos = np.zeros(n_observacoes)
        self.vies = 0

        # Gradiente descendente para otimização
        for _ in range(self.n_iteracoes):
            modelo_linear = np.dot(X, self.pesos) + self.vies
            y_previsto = self.sigmoid(modelo_linear)

            # Cálculo dos gradientes
            dw = (1 / n_amostras) * np.dot(X.T, (y_previsto - y))
            db = (1 / n_amostras) * np.sum(y_previsto - y)

            # Atualização de pesos e viés
            self.pesos -= self.taxa_aprendizagem * dw
            self.vies -= self.taxa_aprendizagem * db

    def previsao(self, X):
        modelo_linear = np.dot(X, self.pesos) + self.vies
        y_previsto = self.sigmoid(modelo_linear)
        y_previsto_classes = [1 if i > 0.5 else 0 for i in y_previsto]
        return y_previsto_classes

    def previsao_prob(self, X):
        modelo_linear = np.dot(X, self.pesos) + self.vies
        y_previsto = self.sigmoid(modelo_linear)
        return y_previsto
# regressao_logistica

"""
O pacote regressao_logistica contém funções para realizar o modelo de regressão logística em Python.

Funcionalidades:
- sigmoid(self, z): Calcula a função sigmoid.
- ajuste(self, X, y): Realiza o ajuste do modelo de regressão logística aos dados de treinamento.
- previsao(self, X): Realiza a previsão das classes para as amostras de entrada.
- previsao_prob(self, X): Realiza a previsão das probabilidades para as amostras de entrada.

Exemplo de uso:

from regressao_logistica import (
    ModeloRegressaoLogistica,
    carregando_dados,
    avaliacao_residuos,
    grafico_ajuste,
    grafico_residuos,
)

# Carrega os dados de teste
X, y = carregando_dados()

# Cria o modelo de regressão logística
modelo = modelo = ModeloRegressaoLogistica()

# Ajusta o modelo aos dados
modelo.ajuste(X, y)

# Prediz os resultados
y_previsto = modelo.previsao(X)

# Avalia o modelo
eqm, residuos = avaliacao_residuos(y, y_previsto)
print(f'Erro Quadrático Médio: {eqm}')

# Plota gráficos
grafico_ajuste(X, y, y_previsto)
grafico_residuos(X, residuos)

"""
def __init__(self, taxa_aprendizagem=0.01, n_iteracoes=1000):
        """
        Inicializa o ModeloRegressaoLogistica.

        Parâmetros:
        - taxa_aprendizagem (float): Taxa de aprendizagem para o algoritmo de
        otimização (default: 0.01).
        - n_iteracoes (int): Número de iterações para o algoritmo de
        otimização (default: 1000).
        """

    def sigmoid(self, z):
        """
        Calcula a função sigmoid.

        Parâmetros:
        - z (float ou array): Valor(es) de entrada.

        Retorna:
        - float ou array: Valor(es) após a aplicação da função sigmoid.
        """

    def ajuste(self, X, y):
        """
        Realiza o ajuste do modelo de regressão logística aos dados de
        treinamento.

        Parâmetros:
        - X (array): Array de shape (n_amostras, n_observacoes) contendo as
        amostras de treinamento.
        - y (array): Array de shape (n_amostras,) contendo as classes
        correspondentes às amostras de treinamento.
        """

    def previsao(self, X):
        """
        Realiza a previsão das classes para as amostras de entrada.

        Parâmetros:
        - X (array): Array de shape (n_amostras, n_observacoes) contendo as
        amostras de entrada.

        Retorna:
        - array: Array de shape (n_amostras,) contendo as classes previstas
        para as amostras de entrada.
        """

    def previsao_prob(self, X):
        """
        Realiza a previsão das probabilidades para as amostras de entrada.

        Parâmetros:
        - X (array): Array de shape (n_amostras, n_observacoes) contendo as
        amostras de entrada.

        Retorna:
        - array: Array de shape (n_amostras,) contendo as probabilidades
        previstas para as amostras de entrada.
        """

---
title: "Documentação do pacote regressao_logistica"
author: "Joana D'arc Nunes da Silva"
format: html
---

# Pacote regressao_logistica

O pacote `regressao_logistica` é uma biblioteca em Python que implementa o modelo de regressão logística, um método bastante utilizado para problemas de classificação binária.

## Instalação

Para instalar o pacote, você pode usar o gerenciador de pacotes `pip`. Basta executar o seguinte comando:
`pip install regressao_logistica`