Vergleich von Modellen zur Mitarbeiterfluktuation

In dieser Übung vergleichst du die balancierten und unbalancierten (Standard) Modelle mit dem beschnittenen Baum (max_depth=7). Das unbalancierte Modell wurde bereits mithilfe von Recall und ROC/AUC-Scores ausgewertet. Wiederhole dieselben Schritte für das balancierte Modell.

Die Variablen features_train, target_train, features_test und target_test stehen dir bereits zur Verfügung.
Ein unbalanciertes Modell wurde bereits für dich gefittet, und seine Vorhersagen wurden als prediction gespeichert.
Die Funktionen recall_score() und roc_auc_score() wurden für dich importiert.

Diese Übung ist Teil des Kurses

HR Analytics: Mitarbeiterfluktuation mit Python vorhersagen

Kurs anzeigen

Anleitung zur Übung

Initialisiere das balancierte Modell, setze die maximale Tiefe auf 7 und den Seed auf 42.
Fitte es auf die Trainingskomponente mit dem Trainingssatz.
Erstelle Vorhersagen mit dem Testsatz.
Gib den Recall-Score und den ROC/AUC-Score aus.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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(____)

Code bearbeiten und ausführen