Zdanie dwóch egzaminów
Wyobraź sobie, że jesteś studentem uczelni wyższej. Zbliżają się dwa egzaminy z różnych przedmiotów, a czasu na naukę jest coraz mniej. Chcesz wiedzieć, ile godzin poświęcić na każdy z nich, żeby zmaksymalizować prawdopodobieństwo zdania obu. Na szczęście masz do dyspozycji dane, które możesz wykorzystać.
Dla przedmiotu A dopasowano już model logistyczny zapisany w model_A, a dla przedmiotu B – model w model_B. Poza wcześniej wczytanym LogisticRegression z sklearn.linear_model oraz numpy jako np, zaimportowano dla ciebie funkcję expit() – odwrotność funkcji logistycznej – z scipy.special.
To ćwiczenie jest częścią kursu
Podstawy rachunku prawdopodobieństwa w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Specify values to predict
hours_of_study_test_A = [[____], [____], [____], [____], [____]]
# Pass values to predict
predicted_outcomes_A = model_A.predict(____)
print(predicted_outcomes_A)
# Specify values to predict
hours_of_study_test_B = [[____], [____], [____], [____]]
# Pass values to predict
predicted_outcomes_B = model_B.____(____)
print(predicted_outcomes_B)