La regresión logística estima la probabilidad de un resultado binario a partir de variables ponderadas. A pesar de su nombre, es un clasificador. En estos registros ficticios de socios, la clase 1 significa baja y la clase 0 significa renovación. El método predict devuelve etiquetas, mientras que predict_proba devuelve una columna por clase en el orden de classes_ del estimador.
Una etiqueta es el resultado de aplicar una regla de decisión a una probabilidad. Mantener separadas esas dos salidas te permite cambiar la regla más adelante sin volver a ajustar los coeficientes. Entrena solo con las filas de entrenamiento y evalúa después con el conjunto reservado. La regresión logística también necesita suficientes iteraciones para converger; las tareas indican un límite explícito. Una puntuación alta obtenida ajustando con las etiquetas de prueba sigue siendo una filtración, y un estimador ficticio de clase mayoritaria no cumple una tarea que te pide aprender de las entradas.
El estimador ajustado aprende de la partición de entrenamiento. Predecir las entradas reservadas da una salida por cada observación de prueba, lista para evaluarla.