Uitdaging: Implementatie van Logistische Regressie
Voor het implementeren van Logistische Regressie in Python wordt de LogisticRegression-klasse gebruikt:
Constructor:
LogisticRegression(penalty = 'l2', C = 1.0)penalty— regularisatieterm. Mogelijke waarden: 'l2', 'l1', 'elasticnet', None;C— bepaalt de sterkte van de regularisatie. Hogere C resulteert in minder regularisatie;
Methoden:
fit(X, y)— Trainingsset fitten;predict(X)— Klasse voorspellen voor X;score(X, y)— Geeft de nauwkeurigheid voor de X, y-set terug.
Voor nu kunnen de standaardparameters worden aangehouden. Het aanmaken en fitten van het model kan in één regel:
logistic_regression = LogisticRegression().fit(X_train, y_train)
De dataset voor dit hoofdstuk is afkomstig van een Portugese bankinstelling en bevat informatie uit marketingcampagnes die via telefoongesprekken zijn uitgevoerd. Het doel is om te voorspellen of een klant zich zal abonneren op een termijndeposito, op basis van persoonlijke, financiële en contactgerelateerde gegevens, evenals uitkomsten van eerdere marketinginteracties.
De gegevens zijn al voorbewerkt en klaar om aan het model te worden aangeboden.
Swipe to start coding
Je beschikt over een Portugese bankmarketingdataset die is opgeslagen als een DataFrame in de variabele df.
- Splits de dataset in trainings- en testsets, waarbij 80% wordt toegewezen aan de trainingsdata. Stel
random_state=42in en sla de resulterende sets op in de variabelenX_train,X_test,y_train,y_test. - Initialiseer en train een Logistic Regression-model op de trainingsset en sla het getrainde model op in de variabele
lr. - Bereken de nauwkeurigheid op de testset en sla het resultaat op in de variabele
test_accuracy.
Oplossing
Bedankt voor je feedback!
single
Vraag AI
Vraag AI
Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.
Geweldig!
Completion tarief verbeterd naar 3.33Uitdaging: Implementatie van Logistische Regressie
Veeg om het menu te tonen
Voor het implementeren van Logistische Regressie in Python wordt de LogisticRegression-klasse gebruikt:
Constructor:
LogisticRegression(penalty = 'l2', C = 1.0)penalty— regularisatieterm. Mogelijke waarden: 'l2', 'l1', 'elasticnet', None;C— bepaalt de sterkte van de regularisatie. Hogere C resulteert in minder regularisatie;
Methoden:
fit(X, y)— Trainingsset fitten;predict(X)— Klasse voorspellen voor X;score(X, y)— Geeft de nauwkeurigheid voor de X, y-set terug.
Voor nu kunnen de standaardparameters worden aangehouden. Het aanmaken en fitten van het model kan in één regel:
logistic_regression = LogisticRegression().fit(X_train, y_train)
De dataset voor dit hoofdstuk is afkomstig van een Portugese bankinstelling en bevat informatie uit marketingcampagnes die via telefoongesprekken zijn uitgevoerd. Het doel is om te voorspellen of een klant zich zal abonneren op een termijndeposito, op basis van persoonlijke, financiële en contactgerelateerde gegevens, evenals uitkomsten van eerdere marketinginteracties.
De gegevens zijn al voorbewerkt en klaar om aan het model te worden aangeboden.
Swipe to start coding
Je beschikt over een Portugese bankmarketingdataset die is opgeslagen als een DataFrame in de variabele df.
- Splits de dataset in trainings- en testsets, waarbij 80% wordt toegewezen aan de trainingsdata. Stel
random_state=42in en sla de resulterende sets op in de variabelenX_train,X_test,y_train,y_test. - Initialiseer en train een Logistic Regression-model op de trainingsset en sla het getrainde model op in de variabele
lr. - Bereken de nauwkeurigheid op de testset en sla het resultaat op in de variabele
test_accuracy.
Oplossing
Schakel over naar desktop voor praktijkervaringGa verder vanaf waar je bent met een van de onderstaande optiesBedankt voor je feedback!
single
