Прогнозирование успеваемости студентов
В предыдущем упражнении вы определили параметры модели логистической регрессии, построенной на данных о количестве часов подготовки и результатах тестов.
С помощью этих параметров можно прогнозировать успеваемость студентов в зависимости от того, сколько часов они занимались. Используйте model.predict(), чтобы получить прогнозы на основе логистической регрессии.
Для вашего удобства LogisticRegression уже импортирован из sklearn.linear_model, а numpy — как np.
Это упражнение является частью курса
Основы теории вероятностей на Python
Инструкции к упражнению
- Создайте массив со значениями 10, 11, 12, 13 и 14, чтобы получить прогнозы результатов теста для соответствующего количества часов подготовки.
- Используйте
model.predict(), чтобы получить прогнозы модели, и выведите их на экран. - Используйте
model.predict_proba(), чтобы определить вероятность сдачи теста при 11 часах подготовки.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Specify values to predict
hours_of_study_test = [[____], [____], [____], [____], [____]]
# Pass values to predict
predicted_outcomes = model.____(____)
print(predicted_outcomes)
# Set value in array
value = np.asarray(11).reshape(-1,1)
# Probability of passing the test with 11 hours of study
print("Probability of passing test ", model.____(value)[:,1])