Tvorba předpovědí

Jakmile je model připravený, můžeš ho využít k předpovědím pro danou kampaň. Vždy je důležité pracovat s nejnovějšími daty.

V tomto cvičení se naučíš, jak pomocí natrénovaného modelu logistické regrese vytvořit předpovědi pro novou, aktualizovanou základní tabulku.

Model logistické regrese, který jsi sestavil/a v předchozích cvičeních, je již natrénovaný a uložený v proměnné logreg.

Toto cvičení je součástí kurzu

Introduction to Predictive Analytics in Python

Zobrazit kurz

Pokyny k cvičení

Nejnovější data jsou uložena v current_data. Vytvoř DataFrame new_data, který vybere relevantní sloupce z current_data.
Do proměnné predictions přiřaď předpovědi pro pozorování v new_data.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Fit a logistic regression model
from sklearn import linear_model
X = basetable[["age","gender_F","time_since_last_gift"]]
y = basetable[["target"]]
logreg = linear_model.LogisticRegression()
logreg.fit(X, y)

# Create a DataFrame new_data from current_data that has only the relevant predictors 
new_data = ____[[____, ____, ____]]

# Make a prediction for each observation in new_data and assign it to predictions
predictions = ____.____(____)
print(predictions[0:5])

Upravit a spustit kód