Teraz dostroisz parametr C dla regularyzacji L1, aby znaleźć wartość, która zmniejsza złożoność modelu przy jednoczesnym zachowaniu dobrych metryk wydajności. Uruchomisz pętlę for po możliwych wartościach C i dla każdej z nich zbudujesz instancję regresji logistycznej oraz obliczysz metryki wydajności.

Lista C zawierająca możliwe wartości została już utworzona. Tablica l1_metrics ma 3 kolumny: pierwsza przechowuje wartości C, a dwie kolejne są miejscami na liczbę niezerowych współczynników oraz wartość recall modelu. Przeskalowane cechy i zmienne docelowe zostały wczytane jako train_X, train_Y do trenowania oraz test_X, test_Y do testowania.

Biblioteki numpy i pandas są dostępne jako np i pd, a funkcja recall_score została zaimportowana z sklearn.

Prognozowanie odpływu klientów za pomocą regresji logistycznej

Create Your Free Account