L1 düzenlileştirme ile lojistik regresyonu uygula

Şimdi, özellik seçimini model kurma ile birlikte yapmak için ölçeklenmiş veriler üzerinde L1 düzenlileştirmeye sahip bir lojistik regresyon modeli çalıştıracaksın. Video egzersizinde farklı C değerlerinin, doğruluk skorun ve sıfır olmayan özellik sayısı üzerindeki etkisini görmüştün. Bu egzersizde C değerini 0.025 olarak ayarlayacaksın.

sklearn kütüphanesinden LogisticRegression ve accuracy_score fonksiyonları senin için yüklendi. Ayrıca, ölçeklenmiş özellikler ve hedef değişkenleri eğitim verisi için train_X, train_Y ve test verisi için test_X, test_Y olarak yüklendi.

Bu egzersiz

Python ile Pazarlama için Machine Learning

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

L1 düzenlileştirmeli ve C değeri 0.025 olan bir lojistik regresyonu başlat.
Modeli eğitim verisi üzerinde eğit.
Test verisi üzerinde churn değerlerini tahmin et.
Test verisindeki tahmin etiketlerinin doğruluk skorunu yazdır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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))

Kodu Düzenle ve Çalıştır