Porovnání modelů predikce odchodu zaměstnanců

V tomto cvičení porovnáš vyvážený a nevyvážený (výchozí) model pomocí ořezaného stromu (max_depth=7). Nevyvážený model je již hotový a vyhodnocený pomocí skóre recall a ROC/AUC. Proveď stejné kroky pro vyvážený model.

Proměnné features_train, target_train, features_test a target_test jsou v pracovním prostředí již k dispozici.
Nevyvážený model byl za tebe natrénován a jeho předpovědi jsou uloženy jako prediction.
Funkce recall_score() a roc_auc_score() jsou již naimportovány.

Toto cvičení je součástí kurzu

HR Analytics: Predicting Employee Churn in Python

Zobrazit kurz

Pokyny k cvičení

Inicializuj vyvážený model s maximální hloubkou 7 a seedem 42.
Natrénuj ho na trénovací sadě.
Proveď předpovědi na testovací sadě.
Vypiš skóre recall a skóre ROC/AUC.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Print the recall score
print(recall_score(target_test,prediction))
# Print the ROC/AUC score
print(roc_auc_score(target_test,prediction))

# Initialize the model
model_depth_7_b = 
# Fit it to the training component
model_depth_7_b.fit(____,____)
# Make prediction using test component
prediction_b = 
# Print the recall score for the balanced model
print(____)
# Print the ROC/AUC score for the balanced model
print(____)

Upravit a spustit kód