Ajusta un modelo de regresión logística
La regresión logística es un modelo de clasificación sencillo pero muy potente que se utiliza en muchos casos de uso. Ahora vas a ajustar una regresión logística en la parte de entrenamiento del conjunto de datos de churn de telecomunicaciones y después predecirás etiquetas en el conjunto de test no visto. A continuación, calcularás la exactitud de las predicciones de tu modelo.
La función accuracy_score ya se ha importado y una instancia de LogisticRegression de sklearn se ha inicializado como logreg. Los conjuntos de entrenamiento y prueba que creaste previamente se han cargado como train_X y test_X para las características, y train_Y y test_Y para la variable objetivo.
Este ejercicio forma parte del curso
Machine Learning para marketing en Python
Instrucciones del ejercicio
- Ajusta una regresión logística con los datos de entrenamiento.
- Predice las etiquetas de churn para los datos de test.
- Calcula la puntuación de exactitud en los datos de test.
- Imprime la exactitud del test redondeada a 4 decimales.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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))