Herausforderung: Implementierung der Logistischen Regression
Zur Implementierung der Logistischen Regression in Python wird die Klasse LogisticRegression verwendet:
Konstruktor:
LogisticRegression(penalty = 'l2', C = 1.0)penalty— Regularisierungsterm. Mögliche Werte: 'l2', 'l1', 'elasticnet', None;C— Steuert die Stärke der Regularisierung. Ein höherer Wert für C führt zu weniger Regularisierung;
Methoden:
fit(X, y)— Anpassen des Modells an den Trainingsdatensatz;predict(X)— Vorhersage der Klasse für X;score(X, y)— Gibt die Genauigkeit für das X, y-Datenset zurück.
Für den Anfang können die Standardparameter verwendet werden. Das Erstellen und Anpassen des Modells kann in einer einzigen Zeile erfolgen:
logistic_regression = LogisticRegression().fit(X_train, y_train)
Der Datensatz für dieses Kapitel stammt von einer portugiesischen Bank und enthält Informationen aus Marketingkampagnen, die per Telefon durchgeführt wurden. Ziel ist es, vorherzusagen, ob ein Kunde ein Termingeldkonto abschließen wird, basierend auf persönlichen, finanziellen und kontaktbezogenen Angaben sowie Ergebnissen früherer Marketinginteraktionen.
Die Daten sind bereits vorverarbeitet und können direkt dem Modell zugeführt werden.
Swipe to start coding
Ihnen steht ein portugiesischer Bankmarketing-Datensatz zur Verfügung, der als DataFrame in der Variablen df gespeichert ist.
- Teilen Sie den Datensatz in Trainings- und Testdaten auf, wobei 80 % für das Training verwendet werden. Setzen Sie
random_state=42und speichern Sie die resultierenden Datensätze in den VariablenX_train,X_test,y_train,y_test. - Initialisieren und trainieren Sie ein Logistische-Regression-Modell mit dem Trainingsdatensatz und speichern Sie das trainierte Modell in der Variablen
lr. - Berechnen Sie die Genauigkeit auf dem Testdatensatz und speichern Sie das Ergebnis in der Variablen
test_accuracy.
Lösung
Danke für Ihr Feedback!
single
Fragen Sie AI
Fragen Sie AI
Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen
Großartig!
Completion Rate verbessert auf 3.33Herausforderung: Implementierung der Logistischen Regression
Swipe um das Menü anzuzeigen
Zur Implementierung der Logistischen Regression in Python wird die Klasse LogisticRegression verwendet:
Konstruktor:
LogisticRegression(penalty = 'l2', C = 1.0)penalty— Regularisierungsterm. Mögliche Werte: 'l2', 'l1', 'elasticnet', None;C— Steuert die Stärke der Regularisierung. Ein höherer Wert für C führt zu weniger Regularisierung;
Methoden:
fit(X, y)— Anpassen des Modells an den Trainingsdatensatz;predict(X)— Vorhersage der Klasse für X;score(X, y)— Gibt die Genauigkeit für das X, y-Datenset zurück.
Für den Anfang können die Standardparameter verwendet werden. Das Erstellen und Anpassen des Modells kann in einer einzigen Zeile erfolgen:
logistic_regression = LogisticRegression().fit(X_train, y_train)
Der Datensatz für dieses Kapitel stammt von einer portugiesischen Bank und enthält Informationen aus Marketingkampagnen, die per Telefon durchgeführt wurden. Ziel ist es, vorherzusagen, ob ein Kunde ein Termingeldkonto abschließen wird, basierend auf persönlichen, finanziellen und kontaktbezogenen Angaben sowie Ergebnissen früherer Marketinginteraktionen.
Die Daten sind bereits vorverarbeitet und können direkt dem Modell zugeführt werden.
Swipe to start coding
Ihnen steht ein portugiesischer Bankmarketing-Datensatz zur Verfügung, der als DataFrame in der Variablen df gespeichert ist.
- Teilen Sie den Datensatz in Trainings- und Testdaten auf, wobei 80 % für das Training verwendet werden. Setzen Sie
random_state=42und speichern Sie die resultierenden Datensätze in den VariablenX_train,X_test,y_train,y_test. - Initialisieren und trainieren Sie ein Logistische-Regression-Modell mit dem Trainingsdatensatz und speichern Sie das trainierte Modell in der Variablen
lr. - Berechnen Sie die Genauigkeit auf dem Testdatensatz und speichern Sie das Ergebnis in der Variablen
test_accuracy.
Lösung
Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwendenDanke für Ihr Feedback!
single
