Budowanie modelu regresji logistycznej

Model regresji logistycznej możesz zbudować, korzystając z modułu linear_model z biblioteki sklearn. Najpierw utwórz model regresji logistycznej za pomocą metody LogisticRegression():

logreg = linear_model.LogisticRegression()

Następnie przekaż dane do modelu, aby można było go dopasować. X zawiera zmienne predykcyjne, natomiast y – zmienną docelową.

X = basetable[["predictor_1","predictor_2","predictor_3"]]`
y = basetable[["target"]]
logreg.fit(X,y)

W tym ćwiczeniu zbudujesz swój pierwszy model predykcyjny, używając trzech predyktorów.

To ćwiczenie jest częścią kursu

Wprowadzenie do analizy predykcyjnej w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Zaimportuj metodę linear_model z biblioteki sklearn.
Tabela bazowa jest wczytana jako basetable. Zwróć uwagę, że kolumna „gender" została przekształcona do postaci gender_F, aby można było jej użyć jako predyktora. Skonstruuj ramkę danych X zawierającą predyktory age, gender_F oraz time_since_last_gift.
Skonstruuj ramkę danych y zawierającą zmienną docelową.
Utwórz model regresji logistycznej.
Dopasuj model regresji logistycznej do podanej tabeli bazowej.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Import linear_model from sklearn.
from ____ import ____

# Create a DataFrame X that only contains the candidate predictors age, gender_F and time_since_last_gift.
X = ____[[____, ____, ____]]

# Create a DataFrame y that contains the target.
y = ____[[____]]

# Create a logistic regression model logreg and fit it to the data.
logreg = ____.____
logreg.____(____, ____)

Edytuj i uruchom kod