Построение модели логистической регрессии
Модель логистической регрессии можно построить с помощью модуля linear_model из библиотеки sklearn. Сначала создайте модель логистической регрессии, используя метод LogisticRegression():
logreg = linear_model.LogisticRegression()
Затем передайте данные в модель, чтобы выполнить её обучение. В X хранятся предикторы, а в y — целевая переменная.
X = basetable[["predictor_1","predictor_2","predictor_3"]]`
y = basetable[["target"]]
logreg.fit(X,y)
В этом упражнении вы построите свою первую прогностическую модель, используя три предиктора.
Это упражнение является частью курса
Введение в предиктивную аналитику на Python
Инструкции к упражнению
- Импортируйте метод
linear_modelизsklearn. - Базовая таблица загружена как
basetable. Обратите внимание, что столбец "gender" преобразован вgender_F, чтобы его можно было использовать в качестве предиктора. Создайте DataFrameX, содержащий предикторыage,gender_Fиtime_since_last_gift. - Создайте DataFrame
y, содержащий целевую переменную. - Создайте модель логистической регрессии.
- Обучите модель логистической регрессии на данной базовой таблице.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Import linear_model from sklearn.
from ____ import ____
# Create a DataFrame X that only contains the candidate predictors age, gender_F and time_since_last_gift.
X = ____[[____, ____, ____]]
# Create a DataFrame y that contains the target.
y = ____[[____]]
# Create a logistic regression model logreg and fit it to the data.
logreg = ____.____
logreg.____(____, ____)