Побудова моделі логістичної регресії

Ви можете побудувати модель логістичної регресії, використовуючи модуль linear_model з sklearn. Спочатку створіть модель логістичної регресії за допомогою методу LogisticRegression():

logreg = linear_model.LogisticRegression()

Далі потрібно передати дані в модель логістичної регресії, щоб її навчити. X містить предиктори, а y — цільову змінну.

X = basetable[["predictor_1","predictor_2","predictor_3"]]`
y = basetable[["target"]]
logreg.fit(X,y)

У цій вправі ви побудуєте вашу першу прогностичну модель, використовуючи три предиктори.

Ця вправа є частиною курсу

Вступ до прогностичної аналітики в Python

Переглянути курс

Інструкції до вправи

Імпортуйте метод linear_model з sklearn.
Базову таблицю завантажено як basetable. Зверніть увагу, що стовпець «gender» перетворено на gender_F, щоб його можна було використати як предиктор. Створіть датафрейм X, який містить предиктори age, gender_F і time_since_last_gift.
Створіть датафрейм y, який містить цільову змінну.
Створіть модель логістичної регресії.
Навчіть модель логістичної регресії на наданій базовій таблиці.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Import linear_model from sklearn.
from ____ import ____

# Create a DataFrame X that only contains the candidate predictors age, gender_F and time_since_last_gift.
X = ____[[____, ____, ____]]

# Create a DataFrame y that contains the target.
y = ____[[____]]

# Create a logistic regression model logreg and fit it to the data.
logreg = ____.____
logreg.____(____, ____)

Редагувати та запускати код