Logistic Regression 基準分類器
在前兩個課程中，你學到特徵選擇在機器學習面試情境中的重要性。另一組常見的面試題與特徵工程有關，以及它如何幫助提升模型效能。
在這個練習中，你將在第 1 章的 loan_data 資料集上建構一個新特徵，並比較進行特徵工程前後，使用邏輯斯迴歸（Logistic Regression）在該資料集上的準確率分數。方法是將測試集標籤與目標變數 Loan Status 的預測值進行比對。
所有相關套件都已為你匯入：matplotlib.pyplot 作為 plt、seaborn 作為 sns、從 sklearn.linear_model 匯入 LogisticRegression、從 sklearn.model_selection 匯入 train_test_split，以及從 sklearn.metrics 匯入 accuracy_score。
特徵工程被視為建模前的前處理步驟：
本練習屬於課程
用 Python 練習機器學習面試題
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。
# 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.____(____)))