Logistische Regression mit zwei erklärenden Variablen
Die logistische Regression unterstützt auch mehrere erklärende Variablen. Um mehrere erklärende Variablen in logistischen Regressionsmodellen zu verwenden, ist die Syntax dieselbe wie bei linearen Regressionen.
Hier passt du ein Modell für den Churn-Status an – mit beiden erklärenden Variablen aus dem Datensatz: der Dauer der Kundenbeziehung und der Zeit seit dem letzten Kauf – sowie ihrer Interaktion.
churn ist verfügbar.
Diese Übung ist Teil des Kurses
<Kurs>Fortgeschrittene Regression mit statsmodels in Python</Kurs>Übungsanweisungen
- Importiere die Funktion
logit()ausstatsmodels.formula.api. - Fitte eine logistische Regression des Churn-Status,
has_churned, gegen die Dauer der Kundenbeziehung,time_since_first_purchase, und die Zeit seit dem letzten Kauf,time_since_last_purchase, sowie eine Interaktion zwischen den erklärenden Variablen.
Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Import logit
____
# Fit a logistic regression of churn status vs. length of relationship, recency, and an interaction
mdl_churn_vs_both_inter = ____
# Print the coefficients
print(mdl_churn_vs_both_inter.params)