Wagi jako dowody

Część sekcji Uczenie nadzorowane ścieżki Machine Learning w Coddy. Lekcja 18 z 58.

Co sprawia, że odwiedzający sklep dokonuje zakupu? Przeskaluj cechy, aby każda waga była wyrażona na odchylenie standardowe, a następnie odczytaj wagi jako wskazówki:

Poziome słupki przedstawiające cztery przeskalowane wagi. W stronę zakupu, na niebiesko: pages_viewed 0.87, minutes 0.12. W stronę przeciwną do zakupu, na pomarańczowo: 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))  # jeden wiersz wag

To wyświetla wagi w kolejności kolumn:

[ 0.87  0.12 -0.3  -0.72]

Znak wskazuje kierunek: wartość dodatnia przesuwa w stronę klasy 1 (kupowania), a ujemna — od niej. Wielkość określa siłę.

Skalowanie sprawia, że wielkości stają się porównywalne: bez skalowania cena w centach miałaby wagę 100 razy mniejszą niż w dolarach.

Wyzwanie

Średni

Aplikacja językowa pyta, które nawyki wiążą się z utrzymaniem 30-dniowej serii lub ukończeniem kursu. learners.csv zawiera sześć cech i obie etykiety; program odczytuje, którą etykietę należy zbadać. Kod początkowy dzieli dane i skaluje je.

Dopasuj LogisticRegression do przeskalowanych wierszy treningowych.
Wyświetl każdą wagę, zaczynając od największej (2 miejsca po przecinku), wraz z jej kierunkiem.
Wyświetl najsilniejszy dowód, niezależnie od kierunku.

Dla innej aplikacji:

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

Spróbuj swoich sił

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 lub 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)

# Napisz swój kod poniżej