Ręczna rekurencyjna eliminacja cech
Mamy już gotowy klasyfikator cukrzycy – sprawdźmy teraz, czy można zmniejszyć liczbę cech bez znaczącego pogorszenia dokładności modelu.
W drugiej linii kodu cechy są wybierane z oryginalnej ramki danych. Dostosuj ten wybór.
Instancja StandardScaler() jest predefiniowana jako scaler, a LogisticRegression() jako lr.
Wszystkie niezbędne funkcje i pakiety są już wczytane.
To ćwiczenie jest częścią kursu
Redukcja wymiarowości w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Remove the feature with the lowest model coefficient
X = diabetes_df[['pregnant', 'glucose', 'diastolic', 'triceps', 'insulin', 'bmi', 'family', 'age']]
# Performs a 25-75% train test split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)
# Scales features and fits the logistic regression model
lr.fit(scaler.fit_transform(X_train), y_train)
# Calculates the accuracy on the test set and prints coefficients
acc = accuracy_score(y_test, lr.predict(scaler.transform(X_test)))
print(f"{acc:.1%} accuracy on test set.")
print(dict(zip(X.columns, abs(lr.coef_[0]).round(2))))