Logistische Regression mit L1-Regularisierung fitten
Du führst jetzt ein Modell der logistischen Regression auf skalierten Daten mit L1-Regularisierung aus, um parallel zur Modellerstellung eine Merkmalsauswahl durchzuführen. In der Video-Übung hast du gesehen, wie unterschiedliche C-Werte deinen Accuracy-Score und die Anzahl der ungleich Null liegenden Features beeinflussen. In dieser Übung setzt du den C-Wert auf 0,025.
Die Funktionen LogisticRegression und accuracy_score aus der sklearn-Bibliothek wurden für dich geladen. Außerdem wurden die skalierten Feature- und Zielvariablen als train_X, train_Y für Trainingsdaten und test_X, test_Y für Testdaten geladen.
Diese Übung ist Teil des Kurses
Machine Learning für Marketing mit Python
Anleitung zur Übung
- Initialisiere eine logistische Regression mit L1-Regularisierung und einem
C-Wert von 0,025. - Fitte das Modell auf die Trainingsdaten.
- Sage Churn-Werte für die Testdaten voraus.
- Gib den Accuracy-Score deiner vorhergesagten Labels auf den Testdaten aus.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# 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))