Ajuster un modèle de régression logistique
La régression logistique est un modèle de classification simple, mais très puissant, utilisé dans de nombreux cas d'usage. Vous allez maintenant ajuster une régression logistique sur la portion d'entraînement du jeu de données de désabonnement en télécom, puis prédire les étiquettes sur l'ensemble de test non vu. Ensuite, vous calculerez l'exactitude des prédictions de votre modèle.
La fonction accuracy_score a été importée et une instance de LogisticRegression de sklearn a été initialisée sous le nom logreg. Les ensembles d'entraînement et de test que vous avez construits précédemment ont été chargés comme train_X et test_X pour les caractéristiques, et train_Y et test_Y pour les variables cibles.
Cette activité fait partie du cours
Machine Learning pour le marketing en Python
Instructions de l’exercice
- Ajustez une régression logistique sur les données d'entraînement.
- Prédisez les étiquettes de désabonnement pour les données de test.
- Calculez la mesure d'exactitude sur les données de test.
- Affichez l'exactitude de test arrondie à 4 décimales.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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))