Bygg en logistisk regressionsmodell

Du kan bygga en logistisk regressionsmodell med modulen linear_model från sklearn. Först skapar du en logistisk regressionsmodell med metoden LogisticRegression():

logreg = linear_model.LogisticRegression()

Därefter matar du in data i modellen så att den kan tränas. X innehåller de prediktiva variablerna och y innehåller målet.

X = basetable[["predictor_1","predictor_2","predictor_3"]]`
y = basetable[["target"]]
logreg.fit(X,y)

I den här övningen bygger du din första prediktiva modell med hjälp av tre prediktorer.

Den här övningen är en del av kursen

Introduktion till prediktiv analys i Python

Visa kurs

Övningsinstruktioner

Importera metoden linear_model från sklearn.
Bastabellen är inläst som basetable. Observera att kolumnen "gender" har omvandlats till gender_F för att kunna användas som prediktor. Skapa en DataFrame X som innehåller prediktorerna age, gender_F och time_since_last_gift.
Skapa en DataFrame y som innehåller målet.
Skapa en logistisk regressionsmodell.
Träna den logistiska regressionsmodellen på den givna bastabellen.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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.____(____, ____)

Redigera och kör kod