Logistisen regressiomallin toteuttamiseen Pythonissa käytetään LogisticRegression-luokkaa:

Konstruktori:

• LogisticRegression(penalty = 'l2', C = 1.0)
• penalty — regularisointitermi. Mahdolliset arvot: 'l2', 'l1', 'elasticnet', None;
• C — säätelee regularisoinnin voimakkuutta. Suurempi C tarkoittaa vähemmän regularisointia;

Menetelmät:

• fit(X, y) — Sovittaa mallin opetusaineistoon;
• predict(X) — Ennustaa luokan X:lle;
• score(X, y) — Palauttaa tarkkuuden X, y -aineistolle.

Voit toistaiseksi käyttää oletusparametreja. Mallin luominen ja sovittaminen onnistuu yhdellä rivillä:

logistic_regression = LogisticRegression().fit(X_train, y_train)

Tämän luvun aineisto on peräisin portugalilaisesta pankkilaitoksesta ja sisältää tietoja puhelimitse toteutetuista markkinointikampanjoista. Tavoitteena on ennustaa, tilaaako asiakas määräaikaistalletuksen, perustuen hänen henkilökohtaisiin, taloudellisiin ja yhteystietoihin sekä aiempien markkinointikontaktien tuloksiin.

Aineisto on jo esikäsitelty ja valmis syötettäväksi mallille.