Pesos como evidências

Parte da seção Aprendizado supervisionado do Journey de Machine Learning da Coddy. Lição 18 de 58.

O que leva um visitante da loja a comprar? Escale as características, para que cada peso corresponda a um desvio padrão; então interprete os pesos como evidências:

Barras horizontais de quatro pesos escalonados. Em direção à compra, em azul: pages_viewed 0.87, minutes 0.12. Em direção oposta à compra, em laranja: 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))  # uma linha de pesos

Isso imprime os pesos na ordem das colunas:

[ 0.87  0.12 -0.3  -0.72]

O sinal indica a direção: positivo empurra em direção à classe 1, compra; negativo, para longe. O tamanho indica a intensidade.

A normalização torna os tamanhos comparáveis: sem normalização, um preço em centavos teria um peso 100 vezes menor do que em dólares.

Desafio

Médio

Um aplicativo de idiomas pergunta quais hábitos estão associados a manter uma sequência de 30 dias ou concluir um curso. learners.csv contém seis recursos e os dois rótulos; o programa lê qual rótulo deve ser analisado. O código inicial divide os dados e os padroniza.

Ajuste um LogisticRegression usando as linhas de treinamento padronizadas.
Imprima cada peso, do maior para o menor (2 casas decimais), com sua direção.
Imprima a evidência mais forte, em qualquer direção.

Para outro aplicativo:

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

Experimente você mesmo

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)

# Escreva seu código abaixo