Utfordring: Implementering av Logistisk Regresjon
For å implementere logistisk regresjon i Python, brukes klassen LogisticRegression:
Konstruktør:
LogisticRegression(penalty = 'l2', C = 1.0)penalty— regulariseringsterm. Mulige verdier: 'l2', 'l1', 'elasticnet', None;C— styrer graden av regularisering. Høyere C gir mindre regularisering;
Metoder:
fit(X, y)— Tilpass treningssettet;predict(X)— Prediker klasse for X;score(X, y)— Returnerer nøyaktigheten for X, y-settet.
Du kan foreløpig bruke standardparametrene. Opprettelse og tilpasning av modellen kan gjøres på én linje:
logistic_regression = LogisticRegression().fit(X_train, y_train)
Datasettet for dette kapittelet kommer fra en portugisisk bankinstitusjon og inneholder informasjon fra markedsføringskampanjer utført via telefonsamtaler. Målet er å forutsi om en kunde vil tegne en tidsinnskuddskonto, basert på personlige, økonomiske og kontaktrelaterte opplysninger, samt resultater fra tidligere markedsføringsinteraksjoner.
Dataene er allerede forhåndsbehandlet og klare til å mates inn i modellen.
Swipe to start coding
Du har fått et portugisisk bankmarkedsføringsdatasett lagret som en DataFrame i variabelen df.
- Del datasettet i trenings- og testsett, hvor 80 % brukes til trening. Sett
random_state=42, og lagre de resulterende settene i variableneX_train,X_test,y_train,y_test. - Initialiser og tilpass en logistisk regresjonsmodell på treningssettet, og lagre den tilpassede modellen i variabelen
lr. - Beregn nøyaktigheten på testsettet og lagre resultatet i variabelen
test_accuracy.
Løsning
Takk for tilbakemeldingene dine!
single
Spør AI
Spør AI
Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår
Fantastisk!
Completion rate forbedret til 3.33Utfordring: Implementering av Logistisk Regresjon
Sveip for å vise menyen
For å implementere logistisk regresjon i Python, brukes klassen LogisticRegression:
Konstruktør:
LogisticRegression(penalty = 'l2', C = 1.0)penalty— regulariseringsterm. Mulige verdier: 'l2', 'l1', 'elasticnet', None;C— styrer graden av regularisering. Høyere C gir mindre regularisering;
Metoder:
fit(X, y)— Tilpass treningssettet;predict(X)— Prediker klasse for X;score(X, y)— Returnerer nøyaktigheten for X, y-settet.
Du kan foreløpig bruke standardparametrene. Opprettelse og tilpasning av modellen kan gjøres på én linje:
logistic_regression = LogisticRegression().fit(X_train, y_train)
Datasettet for dette kapittelet kommer fra en portugisisk bankinstitusjon og inneholder informasjon fra markedsføringskampanjer utført via telefonsamtaler. Målet er å forutsi om en kunde vil tegne en tidsinnskuddskonto, basert på personlige, økonomiske og kontaktrelaterte opplysninger, samt resultater fra tidligere markedsføringsinteraksjoner.
Dataene er allerede forhåndsbehandlet og klare til å mates inn i modellen.
Swipe to start coding
Du har fått et portugisisk bankmarkedsføringsdatasett lagret som en DataFrame i variabelen df.
- Del datasettet i trenings- og testsett, hvor 80 % brukes til trening. Sett
random_state=42, og lagre de resulterende settene i variableneX_train,X_test,y_train,y_test. - Initialiser og tilpass en logistisk regresjonsmodell på treningssettet, og lagre den tilpassede modellen i variabelen
lr. - Beregn nøyaktigheten på testsettet og lagre resultatet i variabelen
test_accuracy.
Løsning
Bytt til skrivebordet for virkelighetspraksisFortsett der du er med et av alternativene nedenforTakk for tilbakemeldingene dine!
single
