Construyendo un modelo de regresión

La regresión logística se refiere al algoritmo de aprendizaje automático que se utiliza para predecir la probabilidad de una variable dependiente categórica. En la regresión logística, la variable dependiente es la variable binaria, que consta de datos codificados como 1 (valores booleanos de verdadero y falso).

En este capítulo, nos centraremos en desarrollar un modelo de regresión en Python usando variable continua. El ejemplo de modelo de regresión lineal se centrará en la exploración de datos del archivo CSV.

El objetivo de la clasificación es predecir si el cliente se suscribirá (1/0) a un depósito a plazo.

import pandas as pd
import numpy as np
from sklearn import preprocessing
import matplotlib.pyplot as plt

plt.rc("font", size=14)
from sklearn.linear_model import LogisticRegression
from sklearn.cross_validation import train_test_split

import seaborn as sns
sns.set(style="white")
sns.set(style="whitegrid", color_codes=True)
data = pd.read_csv('bank.csv', header=0)
data = data.dropna()
print(data.shape)
print(list(data.columns))

Siga estos pasos para implementar el código anterior en Anaconda Navigator con "Jupyter Notebook" -

Step 1 - Inicie Jupyter Notebook con Anaconda Navigator.

Step 2 - Cargue el archivo csv para obtener la salida del modelo de regresión de manera sistemática.

Step 3 - Cree un nuevo archivo y ejecute la línea de código mencionada anteriormente para obtener el resultado deseado.