शुरू करेंमुफ़्त में शुरू करें

L1 regularization के साथ logistic regression फिट करें

अब आप scaled डेटा पर L1 regularization के साथ logistic regression मॉडल चलाएँगे ताकि मॉडल बनाते समय ही feature selection भी हो जाए. वीडियो अभ्यास में आपने देखा था कि अलग-अलग C मान आपकी accuracy और non-zero features की संख्या को कैसे प्रभावित करते हैं. इस अभ्यास में, आप C का मान 0.025 सेट करेंगे.

sklearn लाइब्रेरी से LogisticRegression और accuracy_score फंक्शंस आपके लिए लोड कर दिए गए हैं. साथ ही, scaled features और target वैरिएबल्स भी लोड हैं: training डेटा के लिए train_X, train_Y, और test डेटा के लिए test_X, test_Y.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में मार्केटिंग के लिए मशीन लर्निंग

पाठ्यक्रम देखें

अभ्यास निर्देश

  • L1 regularization और C मान 0.025 के साथ एक logistic regression इनिशियलाइज़ करें.
  • मॉडल को training डेटा पर fit करें.
  • test डेटा पर churn मान predict करें.
  • test डेटा पर आपके predicted labels की accuracy score प्रिंट करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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))
कोड संपादित करें और चलाएँ