使用 L1 正则化拟合逻辑回归
现在，您将在经过缩放的数据上运行带有 L1 正则化的逻辑回归，在建模的同时进行特征选择。您在视频练习中已经看到，不同的 C 取值会影响准确率分数以及非零特征的数量。在本练习中，请将 C 设为 0.025。
sklearn 库中的 LogisticRegression 和 accuracy_score 函数已为您加载。经过缩放的特征和目标变量也已加载：训练数据为 train_X、train_Y，测试数据为 test_X、test_Y。
本练习是课程的一部分
Python 营销中的机器学习
练习说明
- 初始化一个带 L1 正则化且
C值为 0.025 的逻辑回归模型。 - 在训练数据上拟合模型。
- 在测试数据上预测是否流失。
- 打印测试数据上预测标签的准确率分数。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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))