Lojistik regresyon temel sınıflandırıcı
Son 2 derste, Machine Learning mülakatları bağlamında özellik seçiminin ne kadar değerli olduğunu öğrendin. Bir Machine Learning mülakatında beklemen gereken bir diğer yaygın soru seti ise özellik mühendisliği ve bunun model performansını nasıl iyileştirdiğiyle ilgilidir.
Bu egzersizde, 1. Bölümdeki loan_data veri kümesi üzerinde yeni bir özellik üretecek, hedef değişken Loan Status için tahmin edilen değerlerle test etiketlerini karşılaştırarak, özellik mühendisliği öncesi ve sonrası Logistic Regression modellerinin doğruluk (accuracy) skorlarını kıyaslayacaksın.
Gerekli tüm paketler senin için içe aktarıldı: matplotlib.pyplot plt olarak, seaborn sns olarak, sklearn.linear_model içinden LogisticRegression, sklearn.model_selection içinden train_test_split ve sklearn.metrics içinden accuracy_score.
Özellik mühendisliği, modellemeden önce bir ön işleme (pre-processing) adımı olarak kabul edilir:
Bu egzersiz, kursun bir parçasıdır
Python ile Machine Learning Mülakat Sorularını Pratik Etme
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Create X matrix and y array
X = loan_data.____("____", axis=1)
y = loan_data["____"]
# Train/test split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=123)
# Instantiate
logistic = ____()
# Fit
logistic.____(____, ____)
# Predict and print accuracy
print(____(y_true=____, y_pred=logistic.____(____)))