Базовий класифікатор Logistic Regression
У двох попередніх уроках ви дізналися, наскільки цінним є відбір ознак у контексті співбесід з машинного навчання. Інший поширений блок запитань стосується інженерії ознак і того, як вона допомагає поліпшити роботу моделей.
У цій вправі ви згенеруєте нову ознаку на наборі даних loan_data з Розділу 1, порівняєте точність моделей Logistic Regression на наборі до та після інженерії ознак, зіставивши тестові мітки з передбаченими значеннями цільової змінної Loan Status.
Усі потрібні пакети вже імпортовано: matplotlib.pyplot як plt, seaborn як sns, LogisticRegression зі sklearn.linear_model, train_test_split зі sklearn.model_selection та accuracy_score зі sklearn.metrics.
Інженерія ознак вважається кроком попередньої обробки перед моделюванням:
Ця вправа є частиною курсу
Практика співбесід з Machine Learning у Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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.____(____)))