Logistic Regression 基线分类器
在前两节课中，您已经了解了特征选择在机器学习面试中的重要性。另一类常见问题与特征工程有关，以及它如何帮助提升模型表现。
在本练习中，您将针对第 1 章中的 loan_data 数据集构造一个新特征。然后，通过比较测试集标签与目标变量 Loan Status 的预测值，分别在特征工程前后训练 Logistic Regression 模型并比较其准确率。
所需的包已为您导入：matplotlib.pyplot 别名为 plt，seaborn 别名为 sns，sklearn.linear_model 中的 LogisticRegression，sklearn.model_selection 中的 train_test_split，以及 sklearn.metrics 中的 accuracy_score。
特征工程被视为建模前的预处理步骤：
本练习是课程的一部分
用 Python 练习机器学习面试题
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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.____(____)))