ロジスティック回帰モデルを適合させる
Logistic regression はシンプルでありながら非常に強力な分類モデルで、さまざまな用途で使われます。ここでは、通信会社の解約（churn）データセットの学習データにロジスティック回帰を適合させ、未知のテストデータに対してラベルを予測します。最後に、モデル予測の正解率を計算します。
accuracy_score 関数はすでにインポート済みで、sklearn の LogisticRegression インスタンスは logreg として初期化されています。これまでに作成した学習用・テスト用データセットは、特徴量が train_X と test_X、目的変数が train_Y と test_Y として読み込まれています。
この演習はコースの一部です
Pythonで学ぶマーケティングのための機械学習
演習の手順
- 学習データにロジスティック回帰を適合させます。
- テストデータの解約ラベルを予測します。
- テストデータで正解率（accuracy score）を計算します。
- テストの正解率を小数点以下4桁に丸めて表示します。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# 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))