Porušení časové osy

Pro ilustraci důležitosti časové osy si ukážeme příklad, kdy ji porušíme a použijeme informace z cílového období k sestavení prediktivních proměnných.

V pandas dataframu basetable jsou dva sloupce: "amount_2017" obsahuje celkovou výši darů v roce 2017 a "target" nabývá hodnoty 1, pokud je tato výše větší než 30, jinak 0.

Sestav model logistické regrese, který používá "amount_2017" jako jedinou prediktivní proměnnou k předpovědi cílové proměnné, a vypočítej AUC.

Toto cvičení je součástí kurzu

Intermediate Predictive Analytics in Python

Zobrazit kurz

Pokyny k cvičení

Vytvoř dataframe X obsahující prediktivní proměnnou a dataframe y obsahující cílovou proměnnou.
Natrénuj model logistické regrese tak, aby předpovídal y na základě X. Sestav model logistické regrese, který používá amount_2017 jako jedinou prediktivní proměnnou a předpovídá target.
Vytvoř predikce pro objekty v X.
Vypočítej a vypiš AUC tohoto modelu pomocí funkce roc_auc_score.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Select the relevant predictors and the target
X = basetable[["____"]]
y = basetable[["____"]]

# Build the logistic regression model
logreg = linear_model.LogisticRegression()
logreg.____(____, ____)

# Make predictions for X
predictions = logreg.____(____)[:,1]

# Calculate and print the AUC value
auc = ____(____, ____)
print(round(auc, 2))

Upravit a spustit kód