Träna logistisk regression med L1-regularisering
Nu ska du köra en logistisk regressionsmodell på skalad data med L1-regularisering för att kombinera variabelurval med modellbygge. I videoövningen såg du hur olika värden på C påverkar noggrannhetspoängen och antalet icke-nollfeatures. I den här övningen sätter du C-värdet till 0,025.
Funktionerna LogisticRegression och accuracy_score från biblioteket sklearn har redan laddats in. De skalade featurerna och målvariablerna finns tillgängliga som train_X och train_Y för träningsdata, samt test_X och test_Y för testdata.
Den här övningen är en del av kursen
Maskininlärning för marknadsföring i Python
Övningsinstruktioner
- Initiera en logistisk regression med L1-regularisering och
C-värdet 0,025. - Träna modellen på träningsdata.
- Prediktera churn-värden på testdata.
- Skriv ut noggrannhetspoängen för dina predikterade labels på testdata.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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))