Régression logistique avec des données de Twitter
Dans cet exercice, vous allez construire un modèle de régression logistique à l'aide du jeu de données tweets. La variable cible est airline_sentiment : sa valeur est 0 pour les tweets négatifs, 1 pour les neutres et 2 pour les positifs. Vous avez donc ici une tâche de classification multiclasse. Tout ce que nous avons appris sur les problèmes binaires s'applique aussi aux problèmes de classification multiclasse.
Vous évaluerez la justesse du modèle en utilisant les deux approches présentées dans le diaporama.
La fonction de régression logistique et la mesure de justesse ont été importées pour vous.
Cette activité fait partie du cours
Analyse de sentiment en Python
Instructions de l’exercice
- Créez et ajustez un modèle de régression logistique en utilisant les
Xetydéfinis comme arguments. - Calculez la justesse (accuracy) du modèle de régression logistique.
- Prédisez les étiquettes.
- Calculez l'accuracy score en utilisant les étiquettes prédites et réelles.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Define the vector of targets and matrix of features
y = tweets.airline_sentiment
X = tweets.drop('airline_sentiment', axis=1)
# Build a logistic regression model and calculate the accuracy
log_reg = ____.____(X, y)
print('Accuracy of logistic regression: ', log_reg.____)
# Create an array of prediction
y_predict = log_reg.____
# Print the accuracy using accuracy score
print('Accuracy of logistic regression: ', ____(___, ____))