Comparaison des modèles de turnover des employés

Dans cet exercice, vous allez comparer les modèles équilibré et non équilibré (par défaut) en utilisant l’arbre élagué (max_depth=7). Le modèle non équilibré a déjà été évalué à l’aide des scores de rappel et de ROC/AUC. Reproduisez les mêmes étapes pour le modèle équilibré.

Les variables features_train, target_train, features_test et target_test sont déjà disponibles dans votre espace de travail.
Un modèle non équilibré a déjà été ajusté pour vous et ses prédictions enregistrées sous prediction.
Les fonctions recall_score() et roc_auc_score() ont été importées pour vous.

Cet exercice fait partie du cours

Analytique RH : prédire l’attrition des employés en Python

Afficher le cours

Instructions

Initialisez le modèle équilibré, en fixant sa profondeur maximale à 7 et sa graine aléatoire à 42.
Ajustez-le sur l’ensemble d’entraînement.
Réalisez des prédictions sur l’ensemble de test.
Affichez le score de rappel et le score ROC/AUC.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Print the recall score
print(recall_score(target_test,prediction))
# Print the ROC/AUC score
print(roc_auc_score(target_test,prediction))

# Initialize the model
model_depth_7_b = 
# Fit it to the training component
model_depth_7_b.fit(____,____)
# Make prediction using test component
prediction_b = 
# Print the recall score for the balanced model
print(____)
# Print the ROC/AUC score for the balanced model
print(____)

Modifier et exécuter le code