Обучение логистической регрессии с L1-регуляризацией
Теперь вы запустите модель логистической регрессии на масштабированных данных с L1-регуляризацией, чтобы одновременно выполнить отбор признаков и построить модель. В видеоуроке вы видели, как различные значения C влияют на точность модели и количество ненулевых признаков. В этом упражнении задайте значение C равным 0.025.
Функции LogisticRegression и accuracy_score из библиотеки sklearn уже загружены. Масштабированные признаки и целевые переменные доступны как train_X, train_Y для обучающих данных и test_X, test_Y для тестовых.
Это упражнение является частью курса
Машинное обучение для маркетинга на Python
Инструкции к упражнению
- Инициализируйте логистическую регрессию с L1-регуляризацией и значением
Cравным 0.025. - Обучите модель на тренировочных данных.
- Предскажите значения оттока на тестовых данных.
- Выведите на экран оценку точности для предсказанных меток на тестовой выборке.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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))