Cas d'affaires avec la courbe de lift
Dans la vidéo, vous avez appris à implémenter une méthode qui calcule le profit d'une campagne :
profit = profit(perc_targets, perc_selected, population_size, campaign_cost, campaign_reward)
Dans cette méthode, perc_targets est le pourcentage de cibles dans le groupe que vous sélectionnez pour votre campagne, perc_selected le pourcentage de personnes sélectionnées pour la campagne, population_size la taille totale de la population, campaign_cost le coût pour joindre une seule personne dans le cadre de la campagne, et campaign_reward la récompense associée au fait de joindre une cible.
Dans cet exercice, vous déterminerez pour un cas précis s'il est utile d'utiliser un modèle, en comparant le profit réalisé en vous adressant à tous les donateurs par rapport aux 40 % des meilleurs donateurs.
Cette activité fait partie du cours
Introduction à l'analytique prédictive en Python
Instructions de l’exercice
- Tracez la courbe de lift. Les prédictions sont dans
predictions_testet les vraies valeurs cibles sont danstargets_test. - Relevez la valeur du lift à 40 % et indiquez-la.
- Les renseignements sur la campagne sont déjà fournis dans le script. Calculez le profit réalisé en vous adressant à l'ensemble de la population.
- Calculez le profit réalisé en vous adressant aux 40 % du haut du classement.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Plot the lift graph
skplt.metrics.plot_lift_curve(____, ____)
plt.show()
# Read the lift at 40% (round it up to the upper tenth)
perc_selected = 0.4
lift = ____
# Information about the campaign
population_size, target_incidence, campaign_cost, campaign_reward = 100000, 0.01, 1, 100
# Profit if all donors are targeted
profit_all = profit(____, 1, population_size, campaign_cost, campaign_reward)
print(profit_all)
# Profit if top 40% of donors are targeted
profit_40 = profit(____ * ____, 0.4, population_size, campaign_cost, campaign_reward)
print(profit_40)