Dopasowanie modelu regresji logistycznej
Regresja logistyczna to prosty, a zarazem bardzo skuteczny model klasyfikacji, który sprawdza się w wielu różnych zastosowaniach. Dopasuj teraz regresję logistyczną na danych treningowych z telekomunikacyjnego zbioru danych dotyczącego odejść klientów, a następnie przewidź etykiety na niewidzianych wcześniej danych testowych. Na koniec obliczysz dokładność przewidywań swojego modelu.
Funkcja accuracy_score została już zaimportowana, a instancja LogisticRegression z biblioteki sklearn została zainicjalizowana jako logreg. Zbiory danych treningowych i testowych, które wcześniej przygotowałeś, są dostępne jako train_X i test_X dla cech oraz train_Y i test_Y dla zmiennych docelowych.
To ćwiczenie jest częścią kursu
Uczenie maszynowe w marketingu w Pythonie
Instrukcje do ćwiczenia
- Dopasuj regresję logistyczną do danych treningowych.
- Przewidź etykiety odejść klientów dla danych testowych.
- Oblicz wartość dokładności na danych testowych.
- Wydrukuj dokładność testową zaokrągloną do 4 miejsc po przecinku.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Fit logistic regression on training data
logreg.___(train_X, train_Y)
# Predict churn labels on testing data
pred_test_Y = ___.predict(test_X)
# Calculate accuracy score on testing data
test_accuracy = ___(test_Y, pred_test_Y)
# Print test accuracy score rounded to 4 decimals
print('Test accuracy:', ___(test_accuracy, 4))