Desafío: Implementación de Regresión Logística
Para implementar la regresión logística en Python, se utiliza la clase LogisticRegression:
Constructor:
LogisticRegression(penalty = 'l2', C = 1.0)penalty— término de regularización. Valores posibles: 'l2', 'l1', 'elasticnet', None;C— controla la fuerza de la regularización. Un valor más alto de C implica menor regularización;
Métodos:
fit(X, y)— Ajuste del conjunto de entrenamiento;predict(X)— Predicción de la clase para X;score(X, y)— Devuelve la precisión para el conjunto X, y.
Por ahora, se pueden utilizar los parámetros predeterminados. La creación y el ajuste del modelo pueden realizarse en una sola línea:
logistic_regression = LogisticRegression().fit(X_train, y_train)
El conjunto de datos de este capítulo proviene de una institución bancaria portuguesa y contiene información de campañas de marketing realizadas mediante llamadas telefónicas. El objetivo es predecir si un cliente suscribirá un depósito a plazo, en función de sus datos personales, financieros y de contacto, así como los resultados de interacciones previas de marketing.
Los datos ya están preprocesados y listos para ser utilizados en el modelo.
Swipe to start coding
Se proporciona un conjunto de datos de marketing bancario portugués almacenado como un DataFrame en la variable df.
- Dividir el conjunto de datos en conjuntos de entrenamiento y prueba, asignando el 80% para los datos de entrenamiento. Establecer
random_state=42y almacenar los conjuntos resultantes en las variablesX_train,X_test,y_train,y_test. - Inicializar y ajustar un modelo de Regresión Logística en el conjunto de entrenamiento, almacenando el modelo ajustado en la variable
lr. - Calcular la precisión en el conjunto de prueba y almacenar el resultado en la variable
test_accuracy.
Solución
¡Gracias por tus comentarios!
single
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Genial!
Completion tasa mejorada a 3.33Desafío: Implementación de Regresión Logística
Desliza para mostrar el menú
Para implementar la regresión logística en Python, se utiliza la clase LogisticRegression:
Constructor:
LogisticRegression(penalty = 'l2', C = 1.0)penalty— término de regularización. Valores posibles: 'l2', 'l1', 'elasticnet', None;C— controla la fuerza de la regularización. Un valor más alto de C implica menor regularización;
Métodos:
fit(X, y)— Ajuste del conjunto de entrenamiento;predict(X)— Predicción de la clase para X;score(X, y)— Devuelve la precisión para el conjunto X, y.
Por ahora, se pueden utilizar los parámetros predeterminados. La creación y el ajuste del modelo pueden realizarse en una sola línea:
logistic_regression = LogisticRegression().fit(X_train, y_train)
El conjunto de datos de este capítulo proviene de una institución bancaria portuguesa y contiene información de campañas de marketing realizadas mediante llamadas telefónicas. El objetivo es predecir si un cliente suscribirá un depósito a plazo, en función de sus datos personales, financieros y de contacto, así como los resultados de interacciones previas de marketing.
Los datos ya están preprocesados y listos para ser utilizados en el modelo.
Swipe to start coding
Se proporciona un conjunto de datos de marketing bancario portugués almacenado como un DataFrame en la variable df.
- Dividir el conjunto de datos en conjuntos de entrenamiento y prueba, asignando el 80% para los datos de entrenamiento. Establecer
random_state=42y almacenar los conjuntos resultantes en las variablesX_train,X_test,y_train,y_test. - Inicializar y ajustar un modelo de Regresión Logística en el conjunto de entrenamiento, almacenando el modelo ajustado en la variable
lr. - Calcular la precisión en el conjunto de prueba y almacenar el resultado en la variable
test_accuracy.
Solución
Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones¡Gracias por tus comentarios!
single
