L1 정규화를 적용한 로지스틱 회귀 적합하기

이제 L1 정규화를 적용한 로지스틱 회귀 모델을 스케일된 데이터에 학습시켜, 모델 구축과 함께 특성 선택도 수행해 보겠습니다. 영상 연습 문제에서 서로 다른 C 값이 정확도와 0이 아닌 특성의 개수에 어떤 영향을 주는지 보셨죠. 이번 연습에서는 C 값을 0.025로 설정합니다.

sklearn 라이브러리의 LogisticRegression과 accuracy_score 함수가 이미 로드되어 있어요. 또한 스케일된 특성과 타깃 변수는 훈련용으로 train_X, train_Y, 테스트용으로 test_X, test_Y가 제공됩니다.

이 연습은 강의의 일부입니다

Python으로 배우는 마케팅용 Machine Learning

강의 보기

연습 안내

L1 정규화를 사용하고 C 값을 0.025로 한 로지스틱 회귀를 초기화하세요.
훈련 데이터에 모델을 학습시키세요.
테스트 데이터에 대해 이탈 예측값을 생성하세요.
테스트 데이터에서 예측 레이블의 정확도를 출력하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# 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))

코드 편집 및 실행