Antrenează regresia logistică cu regularizare L1
Vei rula acum un model de regresie logistică pe date scalate cu regularizare L1, pentru a realiza selecția caracteristicilor în paralel cu construirea modelului. În videoclipul exercițiului ai văzut cum diferitele valori ale lui C influențează scorul de acuratețe și numărul de caracteristici nenule. În acest exercițiu, vei seta valoarea lui C la 0,025.
Funcțiile LogisticRegression și accuracy_score din biblioteca sklearn au fost deja importate. De asemenea, caracteristicile scalate și variabilele țintă sunt disponibile ca train_X, train_Y pentru datele de antrenament și test_X, test_Y pentru datele de testare.
Acest exercițiu face parte din cursul
Machine Learning pentru Marketing în Python
Instrucțiuni pentru exercițiu
- Inițializează un model de regresie logistică cu regularizare L1 și valoarea
Cegală cu 0,025. - Antrenează modelul pe datele de antrenament.
- Prezice valorile de churn pe datele de testare.
- Afișează scorul de acuratețe al etichetelor prezise pe datele de testare.
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# 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))