Prédiction en régression logistique
Comme pour la régression linéaire, l'intérêt de la régression logistique est de pouvoir faire des prédictions. Parcourons encore une fois le processus de prédiction!
churn et mdl_churn_vs_both_inter sont disponibles; itertools.product est chargé.
Cette activité fait partie du cours
Régression intermédiaire avec statsmodels en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Create time_since_first_purchase
time_since_first_purchase = ____
# Create time_since_last_purchase
time_since_last_purchase = ____
# Create p as all combinations of values of time_since_first_purchase and time_since_last_purchase
p = ____
# Transform p to a DataFrame and name the columns
explanatory_data = ____
# Print the result
print(explanatory_data)