Lojistik regresyon katsayılarını keşfet
Şimdi churn’ü (müşteri kaybını) artıran ya da azaltan etkenleri anlamak için lojistik regresyonun katsayılarını inceleyeceksin. Bu egzersizde, uyumlanmış modelinden lojistik regresyon katsayılarını çıkaracak ve daha yorumlanabilir olmaları için üslerini hesaplayacaksın.
Uyumlanmış lojistik regresyon örneği logreg olarak, ölçeklenmiş özellikler ise train_X adlı bir pandas DataFrame’i olarak yüklendi. numpy ve pandas kütüphaneleri sırasıyla np ve pd olarak yüklendi.
Bu egzersiz
Python ile Pazarlama için Machine Learning
kursunun bir parçasıdırEgzersiz talimatları
- Özellik adlarını ve katsayıları bir
pandasDataFrame’inde birleştir. - Lojistik regresyon katsayılarının üssünü hesapla.
- Sıfıra eşit olan katsayıları kaldır ve kalanları üs katsayısına göre sıralı şekilde yazdır.
Uygulamalı interaktif egzersiz
Bu örnek kodu tamamlayarak bu egzersizi bitirin.
# Combine feature names and coefficients into pandas DataFrame
feature_names = pd.DataFrame(___.columns, columns = ['Feature'])
log_coef = pd.DataFrame(np.transpose(logreg.coef_), columns = ['Coefficient'])
coefficients = pd.concat([feature_names, ___], axis = 1)
# Calculate exponent of the logistic regression coefficients
coefficients['Exp_Coefficient'] = np.___(coefficients['Coefficient'])
# Remove coefficients that are equal to zero
coefficients = coefficients[coefficients['Coefficient']!=___]
# Print the values sorted by the exponent coefficient
print(coefficients.sort_values(by=['___']))