Ein logistisches Regressionsmodell erstellen

Du kannst ein logistisches Regressionsmodell mit dem Modul linear_model aus sklearn erstellen. Zuerst erzeugst du ein Modell der logistischen Regression mit der Methode LogisticRegression():

logreg = linear_model.LogisticRegression()

Als Nächstes musst du dem Modell Daten übergeben, damit es angepasst werden kann. X enthält die Prädiktorvariablen, während y das Target enthält.

X = basetable[["predictor_1","predictor_2","predictor_3"]]`
y = basetable[["target"]]
logreg.fit(X,y)

In dieser Übung erstellst du dein erstes Vorhersagemodell mit drei Prädiktoren.

Diese Übung ist Teil des Kurses

Einführung in Predictive Analytics mit Python

Kurs anzeigen

Anleitung zur Übung

Importiere die Methode linear_model aus sklearn.
Die Basistabelle ist als basetable geladen. Beachte, dass die Spalte „gender“ in gender_F umgewandelt wurde, damit sie als Prädiktor genutzt werden kann. Erstelle ein DataFrame X, das die Prädiktoren age, gender_F und time_since_last_gift enthält.
Erstelle ein DataFrame y, das das Target enthält.
Erzeuge ein Modell der logistischen Regression.
Fitte das logistische Regressionsmodell auf der gegebenen Basistabelle.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Import linear_model from sklearn.
from ____ import ____

# Create a DataFrame X that only contains the candidate predictors age, gender_F and time_since_last_gift.
X = ____[[____, ____, ____]]

# Create a DataFrame y that contains the target.
y = ____[[____]]

# Create a logistic regression model logreg and fit it to the data.
logreg = ____.____
logreg.____(____, ____)

Code bearbeiten und ausführen