Budowanie klasyfikatora cukrzycy
Do przewidywania, czy dana osoba ma cukrzycę, użyjesz zbioru danych Pima Indians diabetes i regresji logistycznej. Zbiór zawiera 8 cech i jedną zmienną docelową. Dane zostały podzielone na zbiór treningowy i testowy i są dostępne jako X_train, y_train, X_test oraz y_test.
Instancja StandardScaler() została wstępnie zdefiniowana jako scaler, a instancja LogisticRegression() – jako lr.
To ćwiczenie jest częścią kursu
Redukcja wymiarowości w Pythonie
Instrukcje do ćwiczenia
- Dopasuj skaler do cech treningowych i jednocześnie przekształć te cechy.
- Dopasuj model regresji logistycznej do przeskalowanych danych treningowych.
- Przeskaluj cechy testowe.
- Przewidź wystąpienie cukrzycy na przeskalowanym zbiorze testowym.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Fit the scaler on the training features and transform these in one go
X_train_std = scaler.____(____)
# Fit the logistic regression model on the scaled training data
lr.____(____, ____)
# Scale the test features
X_test_std = scaler.____(____)
# Predict diabetes presence on the scaled test set
y_pred = lr.____(____)
# Prints accuracy metrics and feature coefficients
print(f"{accuracy_score(y_test, y_pred):.1%} accuracy on test set.")
print(dict(zip(X.columns, abs(lr.coef_[0]).round(2))))