Lära Utmaning: Implementering av Logistisk Regression

För att implementera logistisk regression i Python används klassen LogisticRegression:

Konstruktor:

LogisticRegression(penalty = 'l2', C = 1.0)
penalty — regulariseringsterm. Möjliga värden: 'l2', 'l1', 'elasticnet', None;
C — styr regulariseringens styrka. Högre C innebär mindre regularisering;

Metoder:

fit(X, y) — Anpassning till träningsdata;
predict(X) — Klassificering av X;
score(X, y) — Returnerar noggrannheten för X, y-datasetet.

För tillfället kan du använda standardparametrarna. Modellens skapande och anpassning kan göras på en rad:

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

Datasettet för detta kapitel kommer från en portugisisk bankinstitution och innehåller information från marknadsföringskampanjer som genomförts via telefonsamtal. Målet är att förutsäga om en kund kommer att teckna ett tidsbundet sparande, baserat på deras personliga, ekonomiska och kontaktrelaterade uppgifter samt resultat från tidigare marknadsföringsinteraktioner.

Datan är redan förbehandlad och klar att användas i modellen.

Uppgift

Swipe to start coding

Du har fått en portugisisk bankmarknadsföringsdatamängd lagrad som en DataFrame i variabeln df.

Dela upp datamängden i tränings- och testuppsättningar, där 80 % används för träning. Ange random_state=42 och spara de resulterande uppsättningarna i variablerna X_train, X_test, y_train, y_test.
Initiera och träna en logistisk regressionsmodell på träningsuppsättningen och spara den tränade modellen i variabeln lr.
Beräkna noggrannheten på testuppsättningen och spara resultatet i variabeln test_accuracy.

Lösning

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 1. Kapitel 23

single

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Svep för att visa menyn