Significato dell’evoluzione
In questo esercizio analizzerai il legame tra la variabile "donations2017min_2016" che hai aggiunto alla basetable negli esercizi precedenti e il target, utilizzando un predictor insight graph.
Per tua comodità, i metodi per creare il predictor insight graph sono già preprogrammati.
Per tracciare il predictor insight graph di una variabile continua variable in una basetable, puoi seguire questi passaggi:
- Discretizza la variabile in
n_binsintervalli:
basetable["variable_disc"] = pd.qcut(basetable["variable"], n_bins)
- Costruisci la tabella del predictor insight graph:
pig_table = create_pig_table(basetable, "target","variable_disc")
- Traccia il predictor insight graph basato su questa tabella:
plot_pig(pig_table,"variable_disc")
Questo esercizio fa parte del corso
Analisi predittiva intermedia in Python
Istruzioni dell'esercizio
- Discretizza la variabile di evoluzione
donations_2017_min_2016in 5 intervalli e aggiungila alla basetable. - Crea la tabella del predictor insight graph per questa variabile.
- Traccia il predictor insight graph di questa variabile.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Discretize the variable in 5 bins and add to the basetable
basetable["donations_2017_min_2016_disc"] = pd.____(____["____"], ____)
# Construct the predictor insight graph table
pig_table = ____(____, "target", "____")
# Plot the predictor insight graph
plot_pig(____, "____")