1. Learn
    2. /
  2. Курси
    3. /
  3. Практика співбесід з Machine Learning у Python
Connected

Вправа

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: Machine learning pipeline

Інструкції 1/4

undefined XP
  • 1
    • Навчіть і зробіть передбачення моделлю Logistic Regression на loan_data з цільовою змінною Loan Status як y, і оцініть точність навченої моделі.
  • 2
    • Перетворіть Annual Income на місячний дохід і обчисліть частку Monthly Debt до monthly_income, збережіть її в dti_ratio.
  • 3
    • Перетворіть цільову змінну на числові значення та замініть категоріальні ознаки на фіктивні змінні.
  • 4
    • Навчіть і зробіть передбачення моделлю Logistic Regression на loans_dti та оцініть точність навченої моделі.