Rendimiento de las variables de evolución
Se proporciona una basetable que contiene 3 variables predictoras regulares: "gender_F", "age", "donations_2017", y una variable de evolución "donations_2017_min_2016" que recoge el número de donaciones realizadas en 2017 menos el número de donaciones realizadas en 2016.
En este ejercicio verás el valor añadido de usar variables de evolución. Construirás dos modelos predictivos: uno usando las variables predictoras regulares indicadas en variables_regular y otro sustituyendo "donations_2017" por "donations_2017_min_2016"; estas variables están definidas en variables_evolution. El modelo de regresión logística ya está inicializado en logreg. El modelo que usa las variables regulares ya se ha implementado y su AUC está en auc_regular.
Este ejercicio forma parte del curso
Análisis predictivo intermedio en Python
Instrucciones del ejercicio
- Selecciona las variables de evolución en
X_evolutiony ajusta el modelo. - Realiza predicciones con
.predict_proba()usando este modelo para todas las observaciones deX_evolutiony calcula el AUC conroc_auc_score(). - Imprime los AUC de ambos modelos y compáralos.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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))