Violation de l'échéancier

Pour illustrer l'importance de l'échéancier, prenons un exemple où vous le contournez et utilisez des informations de la période cible pour construire les variables prédictives.

Il y a deux colonnes dans le dataframe pandas basetable : « amount_2017 » correspond au montant total des dons en 2017, et « target » vaut 1 si ce montant est supérieur à 30, sinon 0.

Construisez un modèle de régression logistique qui utilise « amount_2017 » comme unique variable prédictive pour prévoir la cible, puis calculez l'AUC.

Cette activité fait partie du cours

Analytique prédictive intermédiaire en Python

Voir le cours

Instructions de l’exercice

Créez un dataframe X qui contient la variable prédictive et un dataframe y qui contient la cible.
Ajustez le modèle de régression logistique de sorte que y soit prédit à partir de X. Construisez un modèle de régression logistique qui utilise amount_2017 comme unique variable prédictive et qui prédit target.
Faites des prédictions pour les objets dans X.
Calculez et affichez l'AUC de ce modèle à l'aide de la fonction roc_auc_score.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Select the relevant predictors and the target
X = basetable[["____"]]
y = basetable[["____"]]

# Build the logistic regression model
logreg = linear_model.LogisticRegression()
logreg.____(____, ____)

# Make predictions for X
predictions = logreg.____(____)[:,1]

# Calculate and print the AUC value
auc = ____(____, ____)
print(round(auc, 2))

Modifier et exécuter le code