Creare un modello di regressione logistica

Puoi creare un modello di regressione logistica usando il modulo linear_model di sklearn. Per prima cosa, crea un modello di regressione logistica con il metodo LogisticRegression():

logreg = linear_model.LogisticRegression()

Poi devi fornire i dati al modello di regressione logistica, così che possa essere addestrato. X contiene le variabili predittive, mentre y contiene il target.

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

In questo esercizio costruirai il tuo primo modello predittivo usando tre predittori.

Questo esercizio fa parte del corso

Introduzione alla Predictive Analytics in Python

Visualizza il corso

Istruzioni dell'esercizio

Importa il metodo linear_model da sklearn.
La basetable è già caricata come basetable. Nota che la colonna "gender" è stata trasformata in gender_F così da poter essere usata come predittore. Costruisci un DataFrame X che contenga i predittori age, gender_F e time_since_last_gift.
Costruisci un DataFrame y che contenga il target.
Crea un modello di regressione logistica.
Addestra (fit) il modello di regressione logistica sulla basetable fornita.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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.____(____, ____)

Modifica ed esegui il codice