Agora você vai ajustar o parâmetro C para a regularização L1 para encontrar aquele que reduz a complexidade do modelo enquanto mantém boas métricas de desempenho. Você vai executar um loop for pelos possíveis valores de C e criar instâncias de regressão logística para cada um, além de calcular as métricas de desempenho.

Uma lista C foi criada com os valores possíveis. A matriz l1_metrics foi construída com 3 colunas: a primeira contém os valores de C, e as duas seguintes são espaços reservados para a contagem de coeficientes não nulos e para a métrica de recall do modelo. As variáveis de recursos escalonados e alvo foram carregadas como train_X, train_Y para treinamento, e test_X, test_Y para teste.

Tanto numpy quanto pandas estão carregados como np e pd, assim como a função recall_score de sklearn.

Fundamentos de previsão de churn

Create Your Free Account