Logistická regrese s L1 regularizací
Teď spustíš model logistické regrese na škálovaných datech s L1 regularizací, která provede výběr příznaků zároveň s budováním modelu. Ve videu jsi viděl/a, jak různé hodnoty C ovlivňují skóre přesnosti i počet nenulových příznaků. V tomto cvičení nastavíš hodnotu C na 0.025.
Funkce LogisticRegression a accuracy_score z knihovny sklearn jsou už načtené. Škálované příznaky a cílové proměnné jsou k dispozici jako train_X, train_Y pro trénovací data a test_X, test_Y pro testovací data.
Toto cvičení je součástí kurzu
Machine Learning for Marketing in Python
Pokyny k cvičení
- Inicializuj logistickou regresi s L1 regularizací a hodnotou
Crovnou 0.025. - Natrénuj model na trénovacích datech.
- Predikuj hodnoty churn na testovacích datech.
- Vypiš skóre přesnosti predikovaných labelů na testovacích datech.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Initialize logistic regression instance
logreg = ___(penalty='l1', ___=0.025, solver='liblinear')
# Fit the model on training data
logreg.___(train_X, ___)
# Predict churn values on test data
pred_test_Y = logreg.predict(___)
# Print the accuracy score on test data
print('Test accuracy:', round(accuracy_score(test_Y, ___), 4))