Ajouter des interactions à la basetable

Supposons qu’une organisation à but non lucratif souhaite lancer une campagne en Espagne et en France, et veut identifier les donateurs les plus susceptibles de donner. On vous fournit une basetable avec les variables prédictives "age", "country_Spain", "country_France" et la cible "target". Pour vous faciliter la tâche, une fonction auc est disponible. Elle renvoie l’AUC sur des données partitionnées et prend deux arguments : l’ensemble des variables considérées et la basetable :

auc(["variable_1","variable_2"], basetable)
0.51

Dans cet exercice, vous allez apprendre à ajouter des interactions à la basetable et vérifier si cela améliore l’AUC du modèle prédictif.

Cet exercice fait partie du cours

Analytique prédictive intermédiaire en Python

Afficher le cours

Instructions

Affichez l’AUC d’un modèle utilisant uniquement age et l’AUC d’un modèle utilisant uniquement country_Spain.
Affichez l’AUC d’un modèle utilisant age et country_Spain.
Ajoutez deux termes d’interaction, à savoir age avec country_Spain et age avec country_France à la basetable.
Affichez l’AUC d’un modèle utilisant age, country_Spain et les termes d’interaction.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Calculate AUC using age only
print(auc(["____"], basetable))

# Calculate AUC using country_Spain only
print(____(["____"], ____))

# Calculate AUC using age and country_Spain
print(____(["____", "____"], ____))

# Add interactions country_Spain x age and country_France x age
basetable["spain_age"] = ____["____"] * ____["____"]
basetable["france_age"] = ____["____"] * ____["____"]

# Calculate AUC using age, country_Spain and interactions
print(____(["____", "____", "____", "____"], ____))

Modifier et exécuter le code