1. Learn
    2. /
  2. Courses
    3. /
  3. Wprowadzenie do regresji z użyciem statsmodels w Pythonie
Connected

Exercise

Prawdopodobieństwa

Istnieją cztery główne sposoby wyrażania predykcji modelu regresji logistycznej – przyjrzymy się każdemu z nich w kolejnych czterech ćwiczeniach. Zacznijmy od tego, że zmienna odpowiedzi przyjmuje wartość „tak" lub „nie", więc możemy przewidzieć prawdopodobieństwo wystąpienia wartości „tak". W tym ćwiczeniu obliczysz te prawdopodobieństwa i zwizualizujesz wyniki.

Dostępne są dwie zmienne:

  • mdl_churn_vs_relationship – dopasowany model regresji logistycznej zmiennej has_churned względem time_since_first_purchase.
  • explanatory_data – DataFrame z wartościami zmiennych objaśniających.

Instructions 1/2

undefined XP
    1
    2
  • Utwórz DataFrame o nazwie prediction_data, dodając kolumnę has_churned do explanatory_data.
  • W kolumnie has_churned zapisz predykcje prawdopodobieństwa odejścia klienta: użyj modelu mdl_churn_vs_relationship oraz danych objaśniających explanatory_data.
  • Wyświetl pierwsze pięć wierszy DataFrame z predykcjami.