Performances des variables d’évolution
On vous fournit une basetable qui contient 3 variables prédictives classiques : « gender_F », « age », « donations_2017 », ainsi qu’une variable d’évolution « donations_2017_min_2016 » qui correspond au nombre de dons effectués en 2017 moins le nombre de dons effectués en 2016.
Dans cet exercice, vous allez observer la valeur ajoutée des variables d’évolution. Vous allez construire deux modèles prédictifs : l’un utilisant les variables prédictives classiques, fournies dans variables_regular, et l’autre remplaçant « donations_2017 » par « donations_2017_min_2016 », ces variables étant fournies dans variables_evolution. Le modèle de régression logistique est déjà initialisé dans logreg. Le modèle utilisant les variables classiques a déjà été implémenté, son AUC est stockée dans auc_regular.
Cet exercice fait partie du cours
Analytique prédictive intermédiaire en Python
Instructions
- Sélectionnez les variables d’évolution dans
X_evolutionet ajustez le modèle. - Effectuez des prédictions avec
.predict_proba()à l’aide de ce modèle pour toutes les observations deX_evolution, puis calculez l’AUC avecroc_auc_score(). - Affichez les AUC des deux modèles et comparez-les.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Select the evolution variables and fit the model
X_evolution = ____[____]
logreg.fit(____, y)
# Make predictions and calculate the AUC
predictions_evolution = logreg.____(____)[:,1]
auc_evolution = ____(____, ____)
# Print the respective AUC values
print(round(auc_regular, 2))
____(round(____, 2))