Logistic Regression बेसलाइन क्लासिफायर
पिछले 2 लेसन में, आपने देखा कि मशीन लर्निंग इंटरव्यू के संदर्भ में फीचर चयन कितना उपयोगी होता है। इंटरव्यू में एक और आम विषय फीचर इंजीनियरिंग होता है, और यह कैसे मॉडल का प्रदर्शन बेहतर करने में मदद करता है.
इस अभ्यास में, आप Chapter 1 के loan_data डेटासेट पर एक नया फीचर इंजीनियर करेंगे, और फीचर इंजीनियरिंग से पहले और बाद में Logistic Regression मॉडलों की accuracy स्कोर की तुलना करेंगे। इसके लिए आप टेस्ट लेबल्स की तुलना लक्ष्य वैरिएबल Loan Status के प्रेडिक्टेड मानों से करेंगे.
आपके लिए सभी ज़रूरी पैकेज पहले से इम्पोर्ट किए गए हैं: matplotlib.pyplot as plt, seaborn as sns, sklearn.linear_model से LogisticRegression, sklearn.model_selection से train_test_split, और sklearn.metrics से accuracy_score.
फीचर इंजीनियरिंग को मॉडलिंग से पहले का एक pre-processing स्टेप माना जाता है:
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Machine Learning इंटरव्यू प्रश्नों का अभ्यास
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Create X matrix and y array
X = loan_data.____("____", axis=1)
y = loan_data["____"]
# Train/test split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=123)
# Instantiate
logistic = ____()
# Fit
logistic.____(____, ____)
# Predict and print accuracy
print(____(y_true=____, y_pred=logistic.____(____)))