Cas métier 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 contacter une personne, et campaign_reward le gain lorsque vous contactez une cible.
Dans cet exercice, vous allez déterminer, pour un cas précis, s’il est pertinent d’utiliser un modèle, en comparant le profit réalisé en s’adressant à l’ensemble des donateurs avec celui réalisé en s’adressant aux 40 % meilleurs donateurs.
Cet exercice fait partie du cours
Introduction à l’analytique prédictive en Python
Instructions
- Tracez la courbe de lift. Les prédictions sont dans
predictions_testet les valeurs réelles de la cible danstargets_test. - Relevez la valeur du lift à 40 % et renseignez-la.
- Les informations sur la campagne sont déjà renseignées dans le script. Calculez le profit réalisé en s’adressant à l’ensemble de la population.
- Calculez le profit réalisé en s’adressant aux 40 % meilleurs.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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)