Bobot sebagai Bukti

Termasuk bagian Pembelajaran Terawasi dalam perjalanan Machine Learning di Coddy. Pelajaran 18 dari 58.

Apa yang membuat pengunjung toko membeli? Skalakan fitur agar setiap bobot dihitung per standar deviasi, lalu baca bobot sebagai bukti:

Diagram batang horizontal dari empat bobot yang diskalakan. Mendorong pembelian, dengan warna biru: pages_viewed 0.87, minutes 0.12. Menjauhkan dari pembelian, dengan warna oranye: 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))  # satu baris bobot

Ini mencetak bobot sesuai urutan kolom:

[ 0.87  0.12 -0.3  -0.72]

Tandanya menunjukkan arah: positif mendorong ke arah class 1, membeli; negatif, menjauh. Besarnya menunjukkan kekuatan.

Penskalaan membuat ukuran dapat dibandingkan: tanpa penskalaan, harga dalam sen akan memiliki bobot 100 kali lebih kecil daripada harga dalam dolar.

Tantangan

Sedang

Aplikasi bahasa menanyakan kebiasaan apa yang berkaitan dengan mempertahankan streak 30 hari atau menyelesaikan kursus. learners.csv berisi enam fitur dan kedua label; program membaca label mana yang akan dipelajari. Kode awal membagi dan menstandarkan data.

Latih LogisticRegression dengan baris data pelatihan yang sudah diskalakan.
Cetak setiap bobot, dari yang terbesar terlebih dahulu (2 desimal), beserta arahnya.
Cetak bukti terkuat, apa pun arahnya.

Untuk aplikasi lain:

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

Coba sendiri

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 atau 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)

# Tulis kodemu di bawah ini