I pesi come evidenze

Fa parte della sezione Apprendimento supervisionato del percorso Machine Learning di Coddy. Lezione 18 di 58.

Cosa spinge un visitatore del negozio ad acquistare? Scala le caratteristiche, così ogni peso è per deviazione standard, poi leggi i pesi come indizi:

Barre orizzontali di quattro pesi scalati. Verso l'acquisto, in blu: pages_viewed 0.87, minutes 0.12. Lontano dall'acquisto, in arancione: 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))  # una riga di pesi

Questo stampa i pesi nell’ordine delle colonne:

[ 0.87  0.12 -0.3  -0.72]

Il segno indica la direzione: positivo spinge verso la classe 1, cioè l'acquisto; negativo, in direzione opposta. La grandezza indica l'intensità.

La scalatura rende le dimensioni confrontabili: senza scalatura, un prezzo in centesimi avrebbe un peso 100 volte inferiore rispetto a uno in dollari.

Sfida

Medio

Un'app per l'apprendimento delle lingue chiede quali abitudini siano associate al mantenimento di una serie di 30 giorni o al completamento di un corso. learners.csv contiene sei caratteristiche e entrambe le etichette; il programma legge quale etichetta analizzare. Il codice iniziale suddivide i dati e li ridimensiona.

Addestra un modello LogisticRegression sulle righe di addestramento ridimensionate.
Stampa tutti i pesi, dal più grande al più piccolo (2 decimali), indicando la direzione.
Stampa la prova più forte, in un senso o nell'altro.

Per un'altra app:

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

Provalo tu

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 o 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)

# Scrivi il tuo codice qui sotto