Régression logistique avec deux variables explicatives
La régression logistique prend également en charge plusieurs variables explicatives. Pour inclure plusieurs variables explicatives dans des modèles de régression logistique, la syntaxe est la même que pour les régressions linéaires.
Ici, vous allez ajuster un modèle du statut de churn avec les deux variables explicatives du jeu de données : la durée de la relation client et la récence d’achat, ainsi que leur interaction.
churn est disponible.
Cet exercice fait partie du cours
Régression intermédiaire avec statsmodels en Python
Instructions
- Importez la fonction
logit()depuisstatsmodels.formula.api. - Ajustez une régression logistique du statut de churn,
has_churned, en fonction de la durée de la relation client,time_since_first_purchase, et de la récence d’achat,time_since_last_purchase, ainsi que d’une interaction entre les variables explicatives.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Import logit
____
# Fit a logistic regression of churn status vs. length of relationship, recency, and an interaction
mdl_churn_vs_both_inter = ____
# Print the coefficients
print(mdl_churn_vs_both_inter.params)