メールがスパムである確率、取引が詐欺である確率のように、分類モデルは「はい/いいえ」だけ でなく「陽性である確率」も返すと、ずっと役立ちます。確率があれば、状況に応じてしきい値 （threshold）を動かし、より慎重に、あるいはより寛容に判断できるからです。 positive_proba(X_train, y_train, X_test) を完成させてください。ラベルは 0（陰性）と 1（陽性）の二つです。ロジスティック回帰を学習し、X_test の各サンプルが陽性（ラベル 1）で ある確率を1次元配列で返してください。 例 確実に陽性のサンプルは 1 に近い値、確実に陰性のサンプルは 0 に近い値になります。
scikit-learn のロジスティック回帰を学習し、新しいデータの各行が陽性（ラベル 1）である 確率を1次元配列で返す関数を完成させる問題です。ラベルは 0 と 1 の二つ、学習は学習データ だけで行い、すべての値は 0 と 1 の間に収まる必要があります。分類モデルを確率出力に変える 基礎を練習します。
分類モデルは「はい/いいえ」だけでなく陽性である確率も返すと、ずっと役立ちます。確率が あれば、状況に応じて判断のしきい値を慎重に、あるいは寛容に動かせるからです。ロジスティック 回帰は scikit-learn でそうした確率を作る代表的な方法です。この問題では、その確率出力を 作り、ひと目で信じるのではなく実際のサンプルで検証する習慣を練習します。