Logistisches Regressionsmodell fitten
Logistische Regression ist ein einfaches, aber sehr leistungsfähiges Klassifikationsmodell, das in vielen Anwendungsfällen eingesetzt wird. Du wirst nun eine logistische Regression auf den Trainingsdaten des Telecom-Churn-Datensatzes fitten und anschließend Labels für den unbekannten Testdatensatz vorhersagen. Danach berechnest du die Accuracy deiner Modellvorhersagen.
Die Funktion accuracy_score wurde importiert, und eine LogisticRegression-Instanz aus sklearn wurde als logreg initialisiert. Die zuvor erstellten Trainings- und Testdatensätze wurden als train_X und test_X für Features sowie train_Y und test_Y für Zielvariablen geladen.
Diese Übung ist Teil des Kurses
<Kurs>Machine Learning für Marketing mit Python</Kurs>Übungsanweisungen
- Fitte eine logistische Regression auf den Trainingsdaten.
- Sage Churn-Labels für die Testdaten voraus.
- Berechne den Accuracy-Score auf den Testdaten.
- Gib die Test-Accuracy auf 4 Dezimalstellen gerundet aus.
Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Fit logistic regression on training data
logreg.___(train_X, train_Y)
# Predict churn labels on testing data
pred_test_Y = ___.predict(test_X)
# Calculate accuracy score on testing data
test_accuracy = ___(test_Y, pred_test_Y)
# Print test accuracy score rounded to 4 decimals
print('Test accuracy:', ___(test_accuracy, 4))