Logistische-regressiecoëfficiënten verkennen
Je gaat nu de coëfficiënten van de logistische regressie verkennen om te begrijpen wat churn doet stijgen of dalen. In deze oefening haal je de coëfficiënten van de logistische regressie uit je getrainde model en bereken je hun exponent om ze beter interpreteerbaar te maken.
De getrainde logistische-regressie-instantie is geladen als logreg en de geschaalde features zijn geladen als een pandas DataFrame met de naam train_X. De bibliotheken numpy en pandas zijn respectievelijk geladen als np en pd.
Deze oefening maakt deel uit van de cursus
Machine Learning voor marketing in Python
Oefeninstructies
- Combineer featurenamen en coëfficiënten in een
pandasDataFrame. - Bereken de exponent van de coëfficiënten van de logistische regressie.
- Verwijder de coëfficiënten die gelijk zijn aan nul en print ze gesorteerd op de exponentcoëfficiënt.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Combine feature names and coefficients into pandas DataFrame
feature_names = pd.DataFrame(___.columns, columns = ['Feature'])
log_coef = pd.DataFrame(np.transpose(logreg.coef_), columns = ['Coefficient'])
coefficients = pd.concat([feature_names, ___], axis = 1)
# Calculate exponent of the logistic regression coefficients
coefficients['Exp_Coefficient'] = np.___(coefficients['Coefficient'])
# Remove coefficients that are equal to zero
coefficients = coefficients[coefficients['Coefficient']!=___]
# Print the values sorted by the exponent coefficient
print(coefficients.sort_values(by=['___']))