Adatta un modello di regressione logistica
La regressione logistica è un modello di classificazione semplice ma molto potente, usato in molti contesti. Ora adatterai una regressione logistica sulla parte di training del dataset di telecom churn e poi prevederai le etichette sul set di test non visto. Successivamente, calcolerai l'accuratezza delle previsioni del tuo modello.
La funzione accuracy_score è stata importata e un'istanza di LogisticRegression da sklearn è stata inizializzata come logreg. I dataset di training e di test che hai creato in precedenza sono stati caricati come train_X e test_X per le feature e train_Y e test_Y per le variabili target.
Questo esercizio fa parte del corso
Machine Learning per il marketing con Python
Istruzioni dell'esercizio
- Adatta una regressione logistica sui dati di training.
- Prevedi le etichette di churn per i dati di test.
- Calcola l'accuracy sul set di test.
- Stampa l'accuratezza sul test arrotondata a 4 decimali.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Fit logistic regression on training data
logreg.___(train_X, train_Y)
# Predict churn labels on testing data
pred_test_Y = ___.predict(test_X)
# Calculate accuracy score on testing data
test_accuracy = ___(test_Y, pred_test_Y)
# Print test accuracy score rounded to 4 decimals
print('Test accuracy:', ___(test_accuracy, 4))