Construire un modèle de régression logistique

Vous pouvez construire un modèle de régression logistique en utilisant le module linear_model de sklearn. Commencez par créer un modèle de régression logistique avec la méthode LogisticRegression() :

logreg = linear_model.LogisticRegression()

Ensuite, vous devez fournir des données au modèle de régression logistique afin qu’il puisse s’ajuster. X contient les variables prédictives, tandis que y contient la cible.

X = basetable[["predictor_1","predictor_2","predictor_3"]]`
y = basetable[["target"]]
logreg.fit(X,y)

Dans cet exercice, vous allez construire votre premier modèle prédictif à partir de trois prédicteurs.

Cet exercice fait partie du cours

Introduction à l’analytique prédictive en Python

Afficher le cours

Instructions

Importez la méthode linear_model depuis sklearn.
La base de travail est chargée sous le nom basetable. Notez que la colonne "gender" a été transformée en gender_F afin de pouvoir être utilisée comme prédicteur. Construisez un DataFrame X qui contient les prédicteurs age, gender_F et time_since_last_gift.
Construisez un DataFrame y qui contient la cible.
Créez un modèle de régression logistique.
Ajustez le modèle de régression logistique sur la basetable fournie.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Import linear_model from sklearn.
from ____ import ____

# Create a DataFrame X that only contains the candidate predictors age, gender_F and time_since_last_gift.
X = ____[[____, ____, ____]]

# Create a DataFrame y that contains the target.
y = ____[[____]]

# Create a logistic regression model logreg and fit it to the data.
logreg = ____.____
logreg.____(____, ____)

Modifier et exécuter le code