Séparer les caractéristiques et la variable cible
Maintenant que vous avez séparé les données en ensembles d'entraînement et de test, il est temps d'effectuer la dernière étape avant l'ajustement du modèle : séparer les caractéristiques et la variable cible dans des jeux de données distincts. Vous utiliserez la liste des noms de colonnes qui a été chargée pour vous.
Le jeu de données principal est chargé sous le nom telcom, puis scindé en ensembles d'entraînement et de test, qui sont chargés en pandas DataFrames dans train et test respectivement. Les listes target et custid contiennent le nom de la variable cible et l'identifiant client, respectivement. Vous devrez créer la liste cols avec les noms des autres colonnes. N'hésitez pas à explorer les jeux de données dans la console.
Cette activité fait partie du cours
Machine Learning pour le marketing en Python
Instructions de l’exercice
- Stockez les noms de colonnes de
telcomdans une liste, en excluant la variable cible et l'identifiant client. - Extrayez les caractéristiques et la cible de l'ensemble d'entraînement.
- Extrayez les caractéristiques et la cible de l'ensemble de test.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Store column names from `telcom` excluding target variable and customer ID
cols = [col for col in ___.columns if col not in ___ + target]
# Extract training features
train_X = train[___]
# Extract training target
train_Y = train[___]
# Extract testing features
test_X = test[___]
# Extract testing target
test_Y = test[___]