Per implementare la Regressione Logistica in Python, si utilizza la classe LogisticRegression:

Costruttore:

• LogisticRegression(penalty = 'l2', C = 1.0)
• penalty — termine di regolarizzazione. Valori possibili: 'l2', 'l1', 'elasticnet', None;
• C — controlla l'intensità della regolarizzazione. Un valore C più alto comporta una minore regolarizzazione;

Metodi:

• fit(X, y) — Adattamento al set di addestramento;
• predict(X) — Predizione della classe per X;
• score(X, y) — Restituisce l'accuratezza per il set X, y.

Per ora, è possibile utilizzare i parametri predefiniti. La creazione e l'adattamento del modello possono essere eseguiti in un'unica riga:

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

Il dataset di questo capitolo proviene da un istituto bancario portoghese e contiene informazioni relative a campagne di marketing condotte tramite chiamate telefoniche. L'obiettivo è prevedere se un cliente sottoscriverà un deposito a termine, sulla base dei suoi dati personali, finanziari e di contatto, oltre agli esiti delle precedenti interazioni di marketing.

I dati sono già pre-processati e pronti per essere utilizzati dal modello.