Adatta una regressione logistica con regolarizzazione L1
Ora eseguirai un modello di regressione logistica su dati scalati con regolarizzazione L1 per fare selezione delle caratteristiche insieme alla costruzione del modello. Nell'esercizio video hai visto come i diversi valori di C influenzino l'accuratezza e il numero di caratteristiche non nulle. In questo esercizio imposterai il valore di C a 0,025.
Le funzioni LogisticRegression e accuracy_score della libreria sklearn sono già state caricate per te. Inoltre, le caratteristiche scalate e le variabili target sono state caricate come train_X, train_Y per i dati di training, e test_X, test_Y per i dati di test.
Questo esercizio fa parte del corso
Machine Learning per il marketing con Python
Istruzioni dell'esercizio
- Inizializza una regressione logistica con regolarizzazione L1 e valore di
Cpari a 0,025. - Esegui il fit del modello sui dati di training.
- Predici i valori di churn sui dati di test.
- Stampa l'accuracy delle etichette previste sui dati di test.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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))