Comparaison des modèles d'attrition des employés
Dans cet exercice, votre tâche est de comparer les modèles équilibré et déséquilibré (par défaut) à l'aide de l'arbre élagué (max_depth=7). Le modèle déséquilibré est déjà évalué à l'aide des scores de rappel et de ROC/AUC. Reproduisez les mêmes étapes pour le modèle équilibré.
- Les variables
features_train,target_train,features_testettarget_testsont déjà disponibles dans votre espace de travail. - Un modèle déséquilibré a déjà été ajusté pour vous et ses prédictions enregistrées sous
prediction. - Les fonctions
recall_score()etroc_auc_score()ont été importées pour vous.
Cette activité fait partie du cours
Analytique RH : prédire le roulement du personnel avec Python
Instructions de l’exercice
- Initialisez le modèle équilibré en fixant sa profondeur maximale à
7et sa graine aléatoire à42. - Ajustez-le sur l'ensemble d'entraînement.
- Générez des prédictions à l'aide de l'ensemble de test.
- Affichez le score de rappel et le score ROC/AUC.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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(____)