Performance delle variabili di evoluzione
Ti viene fornita una basetable con 3 variabili predittive regolari, ossia "gender_F", "age", "donations_2017", e una variabile di evoluzione "donations_2017_min_2016" che contiene il numero di donazioni effettuate nel 2017 meno il numero di donazioni effettuate nel 2016.
In questo esercizio vedrai il valore aggiunto dell’uso delle variabili di evoluzione. Costruirai due modelli predittivi: uno che usa le variabili predittive regolari fornite in variables_regular e uno che sostituisce "donations_2017" con "donations_2017_min_2016"; queste variabili sono fornite in variables_evolution. Il modello di regressione logistica è già inizializzato in logreg. Il modello che usa le variabili regolari è già stato implementato, l’AUC è in auc_regular.
Questo esercizio fa parte del corso
Analisi predittiva intermedia in Python
Istruzioni dell'esercizio
- Seleziona le variabili di evoluzione in
X_evolutione addestra il modello. - Genera le predizioni usando
.predict_proba()con questo modello per tutte le osservazioni inX_evolutione calcola l’AUC conroc_auc_score(). - Stampa le AUC di entrambi i modelli e confrontale.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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))