Les poids comme indices

Fait partie de la section Apprentissage supervisé du Journey Machine Learning de Coddy. Leçon 18 sur 58.

Qu’est-ce qui pousse un visiteur à acheter dans une boutique ? Mettez les caractéristiques à l’échelle, afin que chaque poids soit exprimé par écart-type, puis interprétez les poids comme des indices :

Barres horizontales de quatre poids mis à l’échelle. En faveur de l’achat, en bleu : pages_viewed 0.87, minutes 0.12. À l’encontre de l’achat, en orange : from_ad -0.30, price_seen -0.72

X_scaled = StandardScaler().fit_transform(visits)
model = LogisticRegression(max_iter=1000)
model.fit(X_scaled, bought)
print(np.round(model.coef_[0], 2))  # une ligne de poids

Cela affiche les poids dans l’ordre des colonnes :

[ 0.87  0.12 -0.3  -0.72]

Le signe indique la direction : une valeur positive pousse vers la classe 1, l’achat ; une valeur négative, à l’opposé. La valeur absolue indique l’intensité.

La mise à l’échelle rend les tailles comparables : sans mise à l’échelle, un prix en centimes aurait un poids 100 fois inférieur à un prix en dollars.

Défi

Moyen

Une application d’apprentissage des langues cherche à savoir quelles habitudes sont associées au maintien d’une série de 30 jours ou à la fin d’un cours. learners.csv contient six caractéristiques et les deux étiquettes ; le programme lit l’étiquette à étudier. Le code de départ sépare les données et les met à l’échelle.

Entraîne un LogisticRegression sur les lignes d’entraînement mises à l’échelle.
Affiche chaque poids, du plus élevé au plus faible (2 décimales), avec sa direction.
Affiche l’indice le plus fort, quel que soit son sens.

Pour une autre application :

friends: 1.02, pushes toward yes
reminder_on: 0.42, pushes toward yes
age: 0.06, pushes toward yes
daily_goal_min: -0.11, pushes toward no
lessons_week1: -0.2, pushes toward no
night_owl: -0.64, pushes toward no
Strongest evidence: friends

Essayez vous-même

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression

learners = pd.read_csv("learners.csv")
features = ["daily_goal_min", "friends", "reminder_on", "lessons_week1", "night_owl", "age"]
label = input()  # kept_streak ou finished_course
X_train, X_test, y_train, y_test = train_test_split(learners[features], learners[label], test_size=0.25, random_state=0)
scaler = StandardScaler()
X_train_s = scaler.fit_transform(X_train)

# Écrivez votre code ci-dessous