from sklearn.linear_model import LogisticRegression
model_lr = LogisticRegression(random_state=0, solver='lbfgs', max_iter=2500).fit(X_treino, y_treino)
y_pred = model_lr.predict(X_val)
print(f'Acurácia de Treino: {model_lr.score(X_treino, y_treino)}')
print(f'Acurácia de Validação: {model_lr.score(X_val, y_val)}')
Ei! Tudo bem, Matheus?
Perfeito! Você configurou corretamente o max_iter=2500, o que é uma excelente prática, pois modelos lineares muitas vezes precisam de mais iterações para convergir em bases de dados mais complexas.
Dica: experimente testar diferentes valores para o parâmetro C (que controla a regularização). Valores menores de C aumentam a força da regularização, o que pode ajudar se você notar que o modelo está "decorando" os dados de treino.
Mandou muito bem no código! Continue explorando os hiperparâmetros para ver como eles impactam esses resultados.
Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!