Sens de l'évolution
Dans cet exercice, vous allez analyser le lien entre la variable « donations2017min_2016 » que vous avez ajoutée à la basetable dans les exercices précédents et la cible, à l'aide d'un « predictor insight graph ».
Pour vous faciliter la tâche, les méthodes permettant de créer le « predictor insight graph » sont déjà programmées.
Pour tracer le « predictor insight graph » d'une variable continue variable dans une basetable, vous pouvez suivre ces étapes :
- Discrétiser la variable en
n_binsclasses :
basetable["variable_disc"] = pd.qcut(basetable["variable"], n_bins)
- Construire la table du « predictor insight graph » :
pig_table = create_pig_table(basetable, "target","variable_disc")
- Tracer le « predictor insight graph » à partir de cette table :
plot_pig(pig_table,"variable_disc")
Cette activité fait partie du cours
Analytique prédictive intermédiaire en Python
Instructions de l’exercice
- Discrétisez la variable d'évolution
donations_2017_min_2016en 5 classes et ajoutez-la à la basetable. - Créez la table du « predictor insight graph » pour cette variable.
- Tracez le « predictor insight graph » de cette variable.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Discretize the variable in 5 bins and add to the basetable
basetable["donations_2017_min_2016_disc"] = pd.____(____["____"], ____)
# Construct the predictor insight graph table
pig_table = ____(____, "target", "____")
# Plot the predictor insight graph
plot_pig(____, "____")