Desafio: Implementando Regressão Logística
Para implementar a Regressão Logística em Python, utiliza-se a classe LogisticRegression:
Construtor:
LogisticRegression(penalty = 'l2', C = 1.0)penalty— termo de regularização. Valores possíveis: 'l2', 'l1', 'elasticnet', None;C— controla a intensidade da regularização. Valores mais altos de C resultam em menor regularização;
Métodos:
fit(X, y)— Ajusta o conjunto de treinamento;predict(X)— Prediz a classe para X;score(X, y)— Retorna a acurácia para o conjunto X, y.
Por enquanto, utilize os parâmetros padrão. A criação e o ajuste do modelo podem ser realizados em uma única linha:
logistic_regression = LogisticRegression().fit(X_train, y_train)
O conjunto de dados deste capítulo é proveniente de uma instituição bancária portuguesa e contém informações de campanhas de marketing realizadas por chamadas telefônicas. O objetivo é prever se um cliente irá assinar um depósito a prazo, com base em seus dados pessoais, financeiros, de contato e nos resultados de interações anteriores de marketing.
Os dados já estão pré-processados e prontos para serem utilizados no modelo.
Swipe to start coding
Você recebe um conjunto de dados de marketing bancário português armazenado como um DataFrame na variável df.
- Divida o conjunto de dados em conjuntos de treinamento e teste, alocando 80% para os dados de treinamento. Defina
random_state=42e armazene os conjuntos resultantes nas variáveisX_train,X_test,y_train,y_test. - Inicialize e ajuste um modelo de Regressão Logística no conjunto de treinamento, armazenando o modelo ajustado na variável
lr. - Calcule a acurácia no conjunto de teste e armazene o resultado na variável
test_accuracy.
Solução
Obrigado pelo seu feedback!
single
Pergunte à IA
Pergunte à IA
Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo
Incrível!
Completion taxa melhorada para 3.33Desafio: Implementando Regressão Logística
Deslize para mostrar o menu
Para implementar a Regressão Logística em Python, utiliza-se a classe LogisticRegression:
Construtor:
LogisticRegression(penalty = 'l2', C = 1.0)penalty— termo de regularização. Valores possíveis: 'l2', 'l1', 'elasticnet', None;C— controla a intensidade da regularização. Valores mais altos de C resultam em menor regularização;
Métodos:
fit(X, y)— Ajusta o conjunto de treinamento;predict(X)— Prediz a classe para X;score(X, y)— Retorna a acurácia para o conjunto X, y.
Por enquanto, utilize os parâmetros padrão. A criação e o ajuste do modelo podem ser realizados em uma única linha:
logistic_regression = LogisticRegression().fit(X_train, y_train)
O conjunto de dados deste capítulo é proveniente de uma instituição bancária portuguesa e contém informações de campanhas de marketing realizadas por chamadas telefônicas. O objetivo é prever se um cliente irá assinar um depósito a prazo, com base em seus dados pessoais, financeiros, de contato e nos resultados de interações anteriores de marketing.
Os dados já estão pré-processados e prontos para serem utilizados no modelo.
Swipe to start coding
Você recebe um conjunto de dados de marketing bancário português armazenado como um DataFrame na variável df.
- Divida o conjunto de dados em conjuntos de treinamento e teste, alocando 80% para os dados de treinamento. Defina
random_state=42e armazene os conjuntos resultantes nas variáveisX_train,X_test,y_train,y_test. - Inicialize e ajuste um modelo de Regressão Logística no conjunto de treinamento, armazenando o modelo ajustado na variável
lr. - Calcule a acurácia no conjunto de teste e armazene o resultado na variável
test_accuracy.
Solução
Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixoObrigado pelo seu feedback!
single
