Логистическая регрессия Python

Коллеги, здравствуйте!
У меня к вам следующий вопрос, буду рад, если дадите ответ или интересную мысль. У меня есть достаточный набор записей, каждая из которых состоит из нескольких полей — как признаков, так и показателей. У каждой записи есть результат — 0 или 1. То есть 0 — событие не произошло, а 1 соответственно произошло. В качестве признаков и показателей выступают описания клиентов. Мне требуется сделать модель, которая на основе имеющихся данных даст прогноз, какие признаки (поля) наиболее сильно влияют на результат 1 и в процентном соотношении. То есть идея такая, чтобы понять, к чему и с какой долей вероятности восприимчив клиент при совершении покупки на основе имеющей статистики. Логистическая модель позволяет проанализировать имеющийся набор данных и после обучения на его основе классифицировать новые входящие данные. А каким образом мне просто выявить на текущем наборе. К примеру у меня 20 тысяч записей, из них 5 тысяч с меткой 1 и понять, что влияет? (Результат - параметр 1 вероятность 0,3, параметр 2 вероятность 0,1)
И какие способы реализации есть на Python? Буду рад, если будут примеры с кодом. Спасибо!

0

А вы начните с того, что попробуйте книжки прочитать по теории классификации. И тогда узнаете, что помимо логистической регрессии существуют и другие методы. Вот например, деревья решений. Это я к тому, что в основе алгоритмов построения деревьев как раз и лежит идея о том, что нужно выяснить что больше влияет на разделительную способность, что меньше. (Для логистической регрессии это, кстати, вовсе ни к чему). Более того, исходя из такого анализа деревья и строятся. Так что берете соответствующий "деревянный" метод (их - не один, выбираете по вкусу), и если очень хочется - "выцепляете" из него нужный блок. Или используете "as is".

0

А не подскажите, в таком случае значения всех полей должны быть только числовыми? Например, есть поле марка автомобиля, где указано текстовое название. Или в таком случае ему лучше определить числовой код?

Добавлено через 44 минуты
И еще такой момент, это можно отнести к понятию отбора признаков (feature selection)?

0

Сообщение от MrSergey86 И какие способы реализации есть на Python

scikit-learn как стартовый уровень машинного обучения.
Примеры:
https://mlbootcamp.ru/article/tutorial/

Сообщение от MrSergey86 Или в таком случае ему лучше определить числовой код?

Категориальные признаки нужно преобразовать в числовые.

sklearn.preprocessing.LabelEncoder
sklearn.preprocessing.OneHotEncoder
и т.д.
https://alexanderdyakonov.word... -признаки/

0

Коллеги, все спасибо за ответы. А подскажите ответ еще на такой вопрос. К примеру выяснилось, что вероятность влияния продавца (признак продавец) на продажу (была или нет) составляет 0,4. А каким образом можно выяснить, какой из имеющихся продавцов вносит наиболее весомый вклад, можно как то также сделать распределение по весам? То есть первым шагом мы выявили какие признаки наиболее влиятельные, а вторым шагом уже определить дополнительные детали по каждому из признаков?

0