Prestaties van evolutievariabelen

Gegeven is een basetable met 3 reguliere voorspellende variabelen: "gender_F", "age", "donations_2017", en een evolutievariabele "donations_2017_min_2016" die het aantal donaties in 2017 min het aantal donaties in 2016 bevat.

In deze oefening zie je de meerwaarde van evolutievariabelen. Je bouwt twee voorspellende modellen: één met de reguliere voorspellende variabelen in variables_regular en één waarin "donations_2017" wordt vervangen door "donations_2017_min_2016"; deze variabelen staan in variables_evolution. Het logistische regressiemodel is al geïnitialiseerd in logreg. Het model met de reguliere variabelen is al geïmplementeerd; de AUC staat in auc_regular.

Deze oefening maakt deel uit van de cursus

Gevorderde voorspellende analyse in Python

Cursus bekijken

Oefeninstructies

Selecteer de evolutievariabelen in X_evolution en fit het model.
Maak voorspellingen met .predict_proba() met dit model voor alle observaties in X_evolution en bereken de AUC met roc_auc_score().
Print de AUC's van beide modellen en vergelijk.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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))

Code bewerken en uitvoeren