Ajusta una regresión logística con regularización L1
Ahora vas a ejecutar un modelo de regresión logística sobre datos escalados con regularización L1 para realizar selección de variables a la vez que construyes el modelo. En el vídeo viste cómo distintos valores de C afectan a tu puntuación de accuracy y al número de características no nulas. En este ejercicio, establecerás C en 0.025.
Las funciones LogisticRegression y accuracy_score de la librería sklearn ya están cargadas. Además, las variables de características escaladas y el objetivo se han cargado como train_X, train_Y para entrenamiento, y test_X, test_Y para test.
Este ejercicio forma parte del curso
Machine Learning para marketing en Python
Instrucciones del ejercicio
- Inicializa una regresión logística con regularización L1 y valor de
Cigual a 0.025. - Ajusta el modelo con los datos de entrenamiento.
- Predice los valores de churn sobre los datos de test.
- Imprime la puntuación de accuracy de tus etiquetas predichas en los datos de test.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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))