Creazione di un modello di regressione

La regressione logistica si riferisce all'algoritmo di apprendimento automatico utilizzato per prevedere la probabilità della variabile dipendente categoriale. Nella regressione logistica, la variabile dipendente è una variabile binaria, che consiste di dati codificati come 1 (valori booleani di vero e falso).

In questo capitolo, ci concentreremo sullo sviluppo di un modello di regressione in Python utilizzando la variabile continua. L'esempio del modello di regressione lineare si concentrerà sull'esplorazione dei dati dal file CSV.

L'obiettivo della classificazione è prevedere se il cliente sottoscriverà (1/0) un deposito a termine.

import pandas as pd
import numpy as np
from sklearn import preprocessing
import matplotlib.pyplot as plt

plt.rc("font", size=14)
from sklearn.linear_model import LogisticRegression
from sklearn.cross_validation import train_test_split

import seaborn as sns
sns.set(style="white")
sns.set(style="whitegrid", color_codes=True)
data = pd.read_csv('bank.csv', header=0)
data = data.dropna()
print(data.shape)
print(list(data.columns))

Segui questi passaggi per implementare il codice sopra in Anaconda Navigator con "Jupyter Notebook" -

Step 1 - Avvia il Jupyter Notebook con Anaconda Navigator.

Step 2 - Carica il file csv per ottenere l'output del modello di regressione in modo sistematico.

Step 3 - Creare un nuovo file ed eseguire la suddetta riga di codice per ottenere l'output desiderato.