Použití různých sad proměnných

Přidání více proměnných, a tím i větší složitosti do modelu logistické regrese, automaticky neznamená přesnější model. V tomto cvičení si ověříš, jestli přidání 3 proměnných do modelu skutečně vede k lepší přesnosti.

variables_1 a variables_2 jsou dostupné v tvém prostředí – můžeš je vypsat do konzole a prozkoumat, jak vypadají.

Toto cvičení je součástí kurzu

Introduction to Predictive Analytics in Python

Zobrazit kurz

Pokyny k cvičení

Natrénuj model logreg pomocí variables_2, která obsahuje 3 dodatečné proměnné oproti variables_1.
Vytvoř predikce pro tento model.
Vypočítej AUC tohoto modelu.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create appropriate DataFrames
X_1 = basetable[variables_1]
X_2 = basetable[variables_2]
y = basetable[["target"]]

# Create the logistic regression model
logreg = linear_model.LogisticRegression()

# Make predictions using the first set of variables and assign the AUC to auc_1
logreg.fit(X_1, y)
predictions_1 = logreg.predict_proba(X_1)[:,1]
auc_1 = roc_auc_score(y, predictions_1)

# Make predictions using the second set of variables and assign the AUC to auc_2
logreg.____(____, ____)
predictions_2 = ____.____(____)[____,____]
auc_2 = ____(____, ____)

# Print auc_1 and auc_2
print(round(auc_1,2))
print(round(auc_2,2))

Upravit a spustit kód