Analiza współczynników regresji logistycznej
Teraz przeanalizujesz współczynniki regresji logistycznej, aby zrozumieć, co wpływa na wzrost lub spadek wskaźnika odejść klientów (churn). W tym ćwiczeniu wyodrębnisz współczynniki regresji logistycznej z dopasowanego modelu i obliczysz ich wykładnik, żeby łatwiej je interpretować.
Dopasowana instancja regresji logistycznej jest załadowana jako logreg, a przeskalowane cechy – jako ramka danych pandas o nazwie train_X. Biblioteki numpy i pandas są załadowane odpowiednio jako np i pd.
To ćwiczenie jest częścią kursu
Uczenie maszynowe w marketingu w Pythonie
Instrukcje do ćwiczenia
- Połącz nazwy cech i współczynniki w ramkę danych
pandas. - Oblicz wykładnik współczynników regresji logistycznej.
- Usuń współczynniki równe zero i wyświetl wyniki posortowane według wykładnika współczynnika.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Combine feature names and coefficients into pandas DataFrame
feature_names = pd.DataFrame(___.columns, columns = ['Feature'])
log_coef = pd.DataFrame(np.transpose(logreg.coef_), columns = ['Coefficient'])
coefficients = pd.concat([feature_names, ___], axis = 1)
# Calculate exponent of the logistic regression coefficients
coefficients['Exp_Coefficient'] = np.___(coefficients['Coefficient'])
# Remove coefficients that are equal to zero
coefficients = coefficients[coefficients['Coefficient']!=___]
# Print the values sorted by the exponent coefficient
print(coefficients.sort_values(by=['___']))