Défi : Implémentation de la Régression Logistique
Pour implémenter la régression logistique en Python, la classe LogisticRegression est utilisée :
Constructeur :
LogisticRegression(penalty = 'l2', C = 1.0)penalty— terme de régularisation. Valeurs possibles : 'l2', 'l1', 'elasticnet', None ;C— contrôle la force de la régularisation. Une valeur plus élevée de C entraîne une régularisation plus faible ;
Méthodes :
fit(X, y)— Ajustement sur l'ensemble d'entraînement ;predict(X)— Prédiction de la classe pour X ;score(X, y)— Retourne la précision pour l'ensemble X, y.
Pour l'instant, il est possible de conserver les paramètres par défaut. La création et l'ajustement du modèle peuvent être réalisés en une seule ligne :
logistic_regression = LogisticRegression().fit(X_train, y_train)
L'ensemble de données de ce chapitre provient d'une institution bancaire portugaise et contient des informations issues de campagnes marketing menées par appels téléphoniques. L'objectif est de prédire si un client va souscrire à un dépôt à terme, en se basant sur ses informations personnelles, financières et de contact, ainsi que sur les résultats des interactions marketing précédentes.
Les données sont déjà prétraitées et prêtes à être utilisées par le modèle.
Swipe to start coding
Un jeu de données de marketing bancaire portugais vous est fourni, stocké sous forme de DataFrame dans la variable df.
- Divisez le jeu de données en ensembles d'entraînement et de test, en allouant 80 % aux données d'entraînement. Définissez
random_state=42et stockez les ensembles résultants dans les variablesX_train,X_test,y_train,y_test. - Initialisez et ajustez un modèle de régression logistique sur l'ensemble d'entraînement, en stockant le modèle ajusté dans la variable
lr. - Calculez la précision sur l'ensemble de test et stockez le résultat dans la variable
test_accuracy.
Solution
Merci pour vos commentaires !
single
Demandez à l'IA
Demandez à l'IA
Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion
Génial!
Completion taux amélioré à 3.33Défi : Implémentation de la Régression Logistique
Glissez pour afficher le menu
Pour implémenter la régression logistique en Python, la classe LogisticRegression est utilisée :
Constructeur :
LogisticRegression(penalty = 'l2', C = 1.0)penalty— terme de régularisation. Valeurs possibles : 'l2', 'l1', 'elasticnet', None ;C— contrôle la force de la régularisation. Une valeur plus élevée de C entraîne une régularisation plus faible ;
Méthodes :
fit(X, y)— Ajustement sur l'ensemble d'entraînement ;predict(X)— Prédiction de la classe pour X ;score(X, y)— Retourne la précision pour l'ensemble X, y.
Pour l'instant, il est possible de conserver les paramètres par défaut. La création et l'ajustement du modèle peuvent être réalisés en une seule ligne :
logistic_regression = LogisticRegression().fit(X_train, y_train)
L'ensemble de données de ce chapitre provient d'une institution bancaire portugaise et contient des informations issues de campagnes marketing menées par appels téléphoniques. L'objectif est de prédire si un client va souscrire à un dépôt à terme, en se basant sur ses informations personnelles, financières et de contact, ainsi que sur les résultats des interactions marketing précédentes.
Les données sont déjà prétraitées et prêtes à être utilisées par le modèle.
Swipe to start coding
Un jeu de données de marketing bancaire portugais vous est fourni, stocké sous forme de DataFrame dans la variable df.
- Divisez le jeu de données en ensembles d'entraînement et de test, en allouant 80 % aux données d'entraînement. Définissez
random_state=42et stockez les ensembles résultants dans les variablesX_train,X_test,y_train,y_test. - Initialisez et ajustez un modèle de régression logistique sur l'ensemble d'entraînement, en stockant le modèle ajusté dans la variable
lr. - Calculez la précision sur l'ensemble de test et stockez le résultat dans la variable
test_accuracy.
Solution
Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessousMerci pour vos commentaires !
single
