找出最佳的 L1 懲罰係數
你現在要為 L1 正規化微調參數 C，找出能在降低模型複雜度的同時，仍維持良好效能指標的數值。你會對一系列可能的 C 值執行 for 迴圈，對每個值建立邏輯斯回歸模型，並計算效能指標。
已建立包含可能值的清單 C。l1_metrics 陣列包含 3 個欄位，第一個是 C 值，接著兩個是非零係數數量與模型召回率的預留欄位。經過縮放的特徵與目標變數已載入為訓練用的 train_X、train_Y，以及測試用的 test_X、test_Y。
numpy 與 pandas 分別以 np 與 pd 載入，同時也已從 sklearn 載入 recall_score 函式。
本練習屬於課程
Python 的行銷機器學習
練習說明
- 針對從 0 到串列
C長度的 range，執行for迴圈。 - 對每個
C候選值，初始化並擬合一個 Logistic Regression，並在測試資料上預測流失。 - 對每個
C候選值，將非零係數數量與召回率分別存入l1_metrics的第 2 與第 3 欄。 - 將
l1_metrics轉為pandas的 DataFrame，並設定合適的欄名。
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。
# Run a for loop over the range of C list length
for index in ___(0, len(C)):
# Initialize and fit Logistic Regression with the C candidate
logreg = ___(penalty='l1', C=C[___], solver='liblinear')
logreg.fit(___, train_Y)
# Predict churn on the testing data
pred_test_Y = logreg.___(test_X)
# Create non-zero count and recall score columns
l1_metrics[index,1] = np.___(logreg.coef_)
l1_metrics[index,2] = recall_score(___, pred_test_Y)
# Name the columns and print the array as pandas DataFrame
col_names = ['C','Non-Zero Coeffs','Recall']
print(pd.DataFrame(l1_metrics, columns=___))