Výkonnost evolučních proměnných
K dispozici máš basetable se 3 běžnými prediktivními proměnnými: "gender_F", "age", "donations_2017", a evoluční proměnnou "donations_2017_min_2016", která udává rozdíl mezi počtem darů v roce 2017 a počtem darů v roce 2016.
V tomto cvičení uvidíš, jakou přidanou hodnotu přinášejí evoluční proměnné. Sestavíš dva prediktivní modely – jeden s běžnými prediktivními proměnnými uloženými v variables_regular a druhý, kde "donations_2017" nahradíš proměnnou "donations_2017_min_2016" (tyto proměnné jsou uloženy v variables_evolution). Model logistické regrese je už inicializovaný v logreg. Model s běžnými proměnnými je již implementovaný a jeho AUC je uloženo v auc_regular.
Toto cvičení je součástí kurzu
Intermediate Predictive Analytics in Python
Pokyny k cvičení
- Vyber evoluční proměnné do
X_evolutiona natrénuj model. - Pomocí
.predict_proba()vytvoř predikce pro všechna pozorování vX_evolutiona vypočítej AUC pomocíroc_auc_score(). - Vypiš AUC obou modelů a porovnej je.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Select the evolution variables and fit the model
X_evolution = ____[____]
logreg.fit(____, y)
# Make predictions and calculate the AUC
predictions_evolution = logreg.____(____)[:,1]
auc_evolution = ____(____, ____)
# Print the respective AUC values
print(round(auc_regular, 2))
____(round(____, 2))