Навчіть логістичну регресію з регуляризацією L1
Тепер ви запустите модель логістичної регресії на масштабованих даних із регуляризацією L1, щоб виконати відбір ознак разом із побудовою моделі. У відео ви бачили, як різні значення C впливають на значення точності та на кількість ненульових ознак. У цій вправі ви встановите C рівним 0,025.
Функції LogisticRegression та accuracy_score з бібліотеки sklearn уже імпортовано. Також масштабовані ознаки та цільові змінні завантажено як train_X, train_Y для тренувальних даних і test_X, test_Y для тестових даних.
Ця вправа є частиною курсу
Machine Learning для маркетингу в Python
Інструкції до вправи
- Ініціалізуйте логістичну регресію з регуляризацією L1 і значенням
C0,025. - Навчіть модель на тренувальних даних.
- Передбачте відтік на тестових даних.
- Виведіть значення точності для ваших передбачених міток на тестових даних.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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))