เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

Fit Logistic Regression ด้วย L1 Regularization

ในแบบฝึกหัดนี้ คุณจะรันโมเดล logistic regression บนข้อมูลที่ผ่านการปรับสเกลแล้ว พร้อมใช้ L1 regularization เพื่อคัดเลือกฟีเจอร์ควบคู่กับการสร้างโมเดล จากวิดีโอคุณได้เห็นแล้วว่าค่า C ที่แตกต่างกันส่งผลต่อคะแนนความแม่นยำและจำนวนฟีเจอร์ที่ไม่เป็นศูนย์อย่างไร ในแบบฝึกหัดนี้จะกำหนดค่า C เป็น 0.025

ฟังก์ชัน LogisticRegression และ accuracy_score จากไลบรารี sklearn ถูกโหลดไว้ให้แล้ว นอกจากนี้ ฟีเจอร์และตัวแปรเป้าหมายที่ผ่านการปรับสเกลแล้วถูกโหลดเป็น train_X, train_Y สำหรับข้อมูลฝึก และ test_X, test_Y สำหรับข้อมูลทดสอบ

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Learning สำหรับการตลาดด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้าง logistic regression ที่ใช้ L1 regularization และกำหนดค่า C เป็น 0.025
  • Fit โมเดลด้วยข้อมูลฝึก
  • ทำนายค่าการเลิกใช้บริการ (churn) จากข้อมูลทดสอบ
  • แสดงคะแนนความแม่นยำของ label ที่ทำนายได้บนข้อมูลทดสอบ

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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))
แก้ไขและรันโค้ด