Ajuste regressão logística com regularização L1
Agora você vai executar um modelo de regressão logística em dados escalonados com regularização L1 para fazer seleção de atributos junto com a construção do modelo. No exercício em vídeo, você viu como diferentes valores de C afetam sua pontuação de acurácia e o número de atributos não nulos. Neste exercício, você vai definir o valor de C como 0.025.
As funções LogisticRegression e accuracy_score da biblioteca sklearn já foram carregadas. Além disso, as variáveis de atributos escalonados e alvo foram carregadas como train_X, train_Y para os dados de treino, e test_X, test_Y para os dados de teste.
Este exercício faz parte do curso
Machine Learning para Marketing em Python
Instruções do exercício
- Inicialize uma regressão logística com regularização L1 e valor de
Cigual a 0.025. - Ajuste o modelo nos dados de treino.
- Faça previsões de churn nos dados de teste.
- Imprima a pontuação de acurácia dos seus rótulos previstos nos dados de teste.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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))