L1 正則化でロジスティック回帰を適合させる
ここでは、スケーリング済みデータに対して L1 正則化を用いたロジスティック回帰モデルを実行し、モデル構築と同時に特徴量選択を行います。動画の演習では、C の値を変えると精度スコアや非ゼロ特徴量数がどう変化するかを確認しました。この演習では、C の値を 0.025 に設定します。
sklearn ライブラリから LogisticRegression と accuracy_score が読み込まれています。スケーリング済みの特徴量と目的変数は、学習用が train_X、train_Y、テスト用が test_X、test_Y として用意されています。
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
- L1 正則化で
Cを 0.025 に設定したロジスティック回帰を初期化します。 - 学習データでモデルを学習させます。
- テストデータに対して解約予測を行います。
- テストデータでの予測ラベルの精度スコアを出力します。
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。
# 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))