以 L1 正規化訓練邏輯斯迴歸
你現在要在已縮放的資料上執行帶有 L1 正規化的邏輯斯迴歸，同時在建模過程中進行特徵選擇。在影片練習中，你已看到不同的 C 值如何影響準確率分數與非零特徵的數量。在本練習中，你將把 C 設為 0.025。
已為你載入 sklearn 函式庫中的 LogisticRegression 與 accuracy_score 函式。此外，經過縮放的特徵與目標變數也已分別載入為訓練資料 train_X、train_Y，以及測試資料 test_X、test_Y。
本練習屬於課程
Python 的行銷機器學習
練習說明
- 初始化一個使用 L1 正規化且
C值為 0.025 的邏輯斯迴歸模型。 - 在訓練資料上擬合模型。
- 在測試資料上預測流失與否。
- 印出模型在測試資料上之預測標籤的準確率分數。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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))