Regresja logistyczna
Przejdźmy teraz do regresji logistycznej. Ponownie skorzystasz z tego samego zbioru danych weather, ale tym razem celem jest przewidzenie, czy jutro będzie padać. Zbiory treningowy i testowy zostały już przygotowane. Zmiennymi objaśniającymi są cechy Humidity9am i Humidity3pm.
Warto też wiedzieć, że zbiór danych został wcześniej znormalizowany, co pozwoli na późniejszą interpretację współczynników modelu. To ważna kwestia, którą warto poruszyć podczas rozmowy rekrutacyjnej przy omawianiu regresji w kontekście wnioskowania statystycznego.
To ćwiczenie jest częścią kursu
Ćwiczenie pytań rekrutacyjnych ze statystyki w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
from sklearn.linear_model import LogisticRegression
# Create and fit your model
clf = ____
clf.fit(____, ____)