Performance des variables d'évolution
On vous fournit une basetable qui comprend 3 variables prédictives régulières, soit « gender_F », « age », « donations_2017 », ainsi qu'une variable d'évolution « donations_2017_min_2016 » qui correspond au nombre de dons effectués en 2017 moins le nombre de dons effectués en 2016.
Dans cet exercice, vous verrez la valeur ajoutée de l'utilisation des variables d'évolution. Vous allez construire deux modèles prédictifs : l'un avec les variables prédictives régulières fournies dans variables_regular, et l'autre où « donations_2017 » est remplacée par « donations_2017_min_2016 », ces variables étant fournies dans variables_evolution. Le modèle de régression logistique est déjà initialisé pour vous dans logreg. Le modèle utilisant les variables régulières a déjà été implémenté, et son AUC se trouve dans auc_regular.
Cette activité fait partie du cours
Analytique prédictive intermédiaire en Python
Instructions de l’exercice
- Sélectionnez les variables d'évolution dans
X_evolutionet entraînez le modèle. - Faites des prédictions à l'aide de
.predict_proba()avec ce modèle pour toutes les observations deX_evolutionet calculez l'AUC avecroc_auc_score(). - Affichez les AUC des deux modèles et comparez-les.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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))