CommencerCommencez gratuitement

Ajuster un modèle logistique

L’université qui étudie la relation entre le nombre d’heures d’étude et les résultats à un test donné vous a fourni un jeu de données contenant le nombre d’heures étudiées par les étudiants ainsi que le fait qu’ils aient échoué ou réussi le test, et vous demande d’ajuster un modèle pour prédire les performances futures.

Les données sont fournies dans les variables hours_of_study et outcomes. Utilisez ces données pour ajuster un modèle LogisticRegression. numpy a été importé sous le nom np pour vous simplifier la tâche.

Cet exercice fait partie du cours

<cours>Fondamentaux des probabilités en Python</cours>
Voir le cours

Instructions de l’exercice

  • Importez LogisticRegression depuis sklearn.linear_model.
  • Créez le modèle avec LogisticRegression(C=1e9).
  • Passez les données à la méthode model.fit().
  • Créez des variables pour chaque paramètre, affectez les valeurs issues du modèle, puis affichez les paramètres beta1 et beta0.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import LogisticRegression
from sklearn.linear_model import ____

# sklearn logistic model
model = ____(C=1e9)
model.____(____, ____)

# Get parameters
beta1 = model.coef_[0][0]
beta0 = model.intercept_[0]

# Print parameters
print(____, ____)
Modifier et exécuter le code