Обучение модели логистической регрессии
Логистическая регрессия — это простая, но очень мощная классификационная модель, которая применяется в самых разных задачах. Сейчас вы обучите логистическую регрессию на обучающей части набора данных телекоммуникационной компании, затем сделаете предсказания на отложенной тестовой выборке и вычислите точность полученных результатов.
Функция accuracy_score уже импортирована, а экземпляр LogisticRegression из sklearn инициализирован как logreg. Обучающие и тестовые наборы данных, подготовленные ранее, загружены как train_X и test_X для признаков, а также train_Y и test_Y для целевых переменных.
Это упражнение является частью курса
Машинное обучение для маркетинга на Python
Инструкции к упражнению
- Обучите логистическую регрессию на обучающих данных.
- Предскажите метки оттока для тестовой выборки.
- Вычислите точность модели на тестовых данных.
- Выведите точность на тестовой выборке, округлённую до 4 знаков после запятой.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Fit logistic regression on training data
logreg.___(train_X, train_Y)
# Predict churn labels on testing data
pred_test_Y = ___.predict(test_X)
# Calculate accuracy score on testing data
test_accuracy = ___(test_Y, pred_test_Y)
# Print test accuracy score rounded to 4 decimals
print('Test accuracy:', ___(test_accuracy, 4))