Udfordring: Implementering af Logistisk Regression
For at implementere logistisk regression i Python anvendes LogisticRegression-klassen:
Konstruktør:
LogisticRegression(penalty = 'l2', C = 1.0)penalty— regulariseringsterm. Mulige værdier: 'l2', 'l1', 'elasticnet', None;C— styrer graden af regularisering. Højere C medfører mindre regularisering;
Metoder:
fit(X, y)— Tilpasning til træningssættet;predict(X)— Forudsig klasse for X;score(X, y)— Returnerer nøjagtigheden for X, y-sættet.
Du kan indtil videre anvende standardparametrene. Oprettelse og tilpasning af modellen kan udføres på én linje:
logistic_regression = LogisticRegression().fit(X_train, y_train)
Datasættet til dette kapitel stammer fra en portugisisk bankinstitution og indeholder information fra markedsføringskampagner udført via telefonopkald. Målet er at forudsige, om en kunde vil tegne en tidsindskudskonto, baseret på personlige, økonomiske og kontaktrelaterede oplysninger samt resultater fra tidligere markedsføringsinteraktioner.
Dataene er allerede forbehandlede og klar til at blive brugt i modellen.
Swipe to start coding
Du har fået et portugisisk bankmarkedsføringsdatasæt, som er gemt som en DataFrame i variablen df.
- Opdel datasættet i trænings- og testdatasæt, hvor 80% bruges til træning. Sæt
random_state=42, og gem de resulterende datasæt i variablerneX_train,X_test,y_train,y_test. - Initialiser og tilpas en logistisk regressionsmodel på træningsdatasættet, og gem den tilpassede model i variablen
lr. - Beregn nøjagtigheden på testdatasættet, og gem resultatet i variablen
test_accuracy.
Løsning
Tak for dine kommentarer!
single
Spørg AI
Spørg AI
Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat
Fantastisk!
Completion rate forbedret til 3.33Udfordring: Implementering af Logistisk Regression
Stryg for at vise menuen
For at implementere logistisk regression i Python anvendes LogisticRegression-klassen:
Konstruktør:
LogisticRegression(penalty = 'l2', C = 1.0)penalty— regulariseringsterm. Mulige værdier: 'l2', 'l1', 'elasticnet', None;C— styrer graden af regularisering. Højere C medfører mindre regularisering;
Metoder:
fit(X, y)— Tilpasning til træningssættet;predict(X)— Forudsig klasse for X;score(X, y)— Returnerer nøjagtigheden for X, y-sættet.
Du kan indtil videre anvende standardparametrene. Oprettelse og tilpasning af modellen kan udføres på én linje:
logistic_regression = LogisticRegression().fit(X_train, y_train)
Datasættet til dette kapitel stammer fra en portugisisk bankinstitution og indeholder information fra markedsføringskampagner udført via telefonopkald. Målet er at forudsige, om en kunde vil tegne en tidsindskudskonto, baseret på personlige, økonomiske og kontaktrelaterede oplysninger samt resultater fra tidligere markedsføringsinteraktioner.
Dataene er allerede forbehandlede og klar til at blive brugt i modellen.
Swipe to start coding
Du har fået et portugisisk bankmarkedsføringsdatasæt, som er gemt som en DataFrame i variablen df.
- Opdel datasættet i trænings- og testdatasæt, hvor 80% bruges til træning. Sæt
random_state=42, og gem de resulterende datasæt i variablerneX_train,X_test,y_train,y_test. - Initialiser og tilpas en logistisk regressionsmodel på træningsdatasættet, og gem den tilpassede model i variablen
lr. - Beregn nøjagtigheden på testdatasættet, og gem resultatet i variablen
test_accuracy.
Løsning
Skift til skrivebord for at øve i den virkelige verdenFortsæt der, hvor du er, med en af nedenstående mulighederTak for dine kommentarer!
single
