Kinerja variabel evolusi
Diberikan sebuah basetable yang memiliki 3 variabel prediktif reguler, yaitu "gender_F", "age", "donations_2017", dan satu variabel evolusi "donations_2017_min_2016" yang berisi jumlah donasi yang dilakukan pada 2017 dikurangi jumlah donasi yang dilakukan pada 2016.
Pada latihan ini Anda akan melihat nilai tambah dari penggunaan variabel evolusi. Anda akan membangun dua model prediktif: satu menggunakan variabel prediktif reguler yang telah disediakan di variables_regular dan satu lagi mengganti "donations_2017" dengan "donations_2017_min_2016"; variabel-variabel ini telah disediakan di variables_evolution. Model regresi logistik sudah diinisialisasi untuk Anda dalam logreg. Model yang menggunakan variabel reguler telah diimplementasikan, AUC-nya berada di auc_regular.
Latihan ini adalah bagian dari kursus
Predictive Analytics Tingkat Menengah dengan Python
Petunjuk latihan
- Pilih variabel evolusi ke dalam
X_evolutiondan latih modelnya. - Buat prediksi menggunakan
.predict_proba()dengan model ini untuk semua observasi diX_evolutiondan hitung AUC denganroc_auc_score(). - Cetak AUC dari kedua model dan bandingkan.
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
# 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))