Стандартизируйте данные и обучите модель логистической регрессии с L1-регуляризацией и C=0.1. Выведите на экран значение accuracy и коэффициенты модели.
# импорт необходимых библиотек
import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# объявляем константу random_state
RANDOM_STATE = 77
# объявляем переменную с данными
# выделяем целевой и входные признаки
data = pd.read_csv('orders_seafood.csv')
X = data.drop(columns=['target', 'client_id'])
y = data['target']
# делим данные на тренировочные и валидационные
X_train, X_test, y_train, y_test = \
train_test_split(X, y, test_size=0.25, random_state=RANDOM_STATE)
# стандартизируйте выборки
scaler = StandardScaler()
X_train_scalled = scaler.fit_transform(X_train)
X_test_scalled = scaler.transform(X_test)
# обучите модель линейной регрессии, используйте L1-регуляризацию
clf = LogisticRegression(penalty = 'l1', solver='saga', C=0.1)
clf = clf.fit(X_train_scalled, y_train)
y_pred = clf.predict(X_test_scalled)
# рассчитайте и выведите accuracy
r = accuracy_score(y_test, y_pred)
print(r, clf.coef_)Результат
0.675531914893617 [[ 0.03517338 -0.21153919 0.01834256 0. 0.7692706 ]]