Dopasowanie regresji logistycznej z regularyzacją L1
Teraz uruchomisz model regresji logistycznej na przeskalowanych danych z regularyzacją L1, łącząc selekcję cech z budową modelu. W materiale wideo widziałeś, jak różne wartości C wpływają na wynik dokładności i liczbę niezerowych cech. W tym ćwiczeniu ustawisz wartość C na 0,025.
Funkcje LogisticRegression i accuracy_score z biblioteki sklearn zostały już załadowane. Przeskalowane cechy i zmienne docelowe są dostępne jako train_X, train_Y dla danych treningowych oraz test_X, test_Y dla danych testowych.
To ćwiczenie jest częścią kursu
Uczenie maszynowe w marketingu w Pythonie
Instrukcje do ćwiczenia
- Zainicjalizuj regresję logistyczną z regularyzacją L1 i wartością
Crówną 0,025. - Dopasuj model do danych treningowych.
- Przewidź wartości odejścia klientów na danych testowych.
- Wydrukuj wynik dokładności przewidywanych etykiet na danych testowych.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Initialize logistic regression instance
logreg = ___(penalty='l1', ___=0.025, solver='liblinear')
# Fit the model on training data
logreg.___(train_X, ___)
# Predict churn values on test data
pred_test_Y = logreg.predict(___)
# Print the accuracy score on test data
print('Test accuracy:', round(accuracy_score(test_Y, ___), 4))