Ajuster une régression logistique avec régularisation L1
Vous allez maintenant exécuter un modèle de régression logistique sur des données mises à l'échelle avec une régularisation L1 afin d'effectuer une sélection de variables en même temps que la construction du modèle. Dans la vidéo, vous avez vu comment différentes valeurs de C influent sur votre score de justesse et sur le nombre de caractéristiques non nulles. Dans cet exercice, vous fixerez la valeur de C à 0,025.
Les fonctions LogisticRegression et accuracy_score de la bibliothèque sklearn ont été chargées pour vous. De plus, les caractéristiques mises à l'échelle et la variable cible ont été chargées sous train_X, train_Y pour l'entraînement, et test_X, test_Y pour le test.
Cette activité fait partie du cours
Machine Learning pour le marketing en Python
Instructions de l’exercice
- Initialisez une régression logistique avec une régularisation L1 et une valeur de
Cde 0,025. - Entraînez le modèle sur les données d'entraînement.
- Prédisez l'attrition (churn) sur les données de test.
- Affichez le score de justesse de vos étiquettes prédites sur les données de test.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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))