Explorer les coefficients de la régression logistique
Vous allez maintenant explorer les coefficients de la régression logistique afin de comprendre ce qui fait augmenter ou diminuer l'attrition. Dans cet exercice, vous extraierez les coefficients de la régression logistique de votre modèle ajusté et calculerez leur exposant pour les rendre plus interprétables.
L'instance de régression logistique ajustée est chargée sous logreg et les caractéristiques mises à l'échelle sont chargées dans un DataFrame pandas appelé train_X. Les bibliothèques numpy et pandas sont chargées sous np et pd, respectivement.
Cette activité fait partie du cours
Machine Learning pour le marketing en Python
Instructions de l’exercice
- Combinez les noms des caractéristiques et les coefficients dans un DataFrame
pandas. - Calculez l'exposant des coefficients de la régression logistique.
- Retirez les coefficients égaux à zéro et affichez-les triés selon le coefficient exponentié.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Combine feature names and coefficients into pandas DataFrame
feature_names = pd.DataFrame(___.columns, columns = ['Feature'])
log_coef = pd.DataFrame(np.transpose(logreg.coef_), columns = ['Coefficient'])
coefficients = pd.concat([feature_names, ___], axis = 1)
# Calculate exponent of the logistic regression coefficients
coefficients['Exp_Coefficient'] = np.___(coefficients['Coefficient'])
# Remove coefficients that are equal to zero
coefficients = coefficients[coefficients['Coefficient']!=___]
# Print the values sorted by the exponent coefficient
print(coefficients.sort_values(by=['___']))