Interacties toevoegen aan de basistabel

Stel dat een non-profitorganisatie een campagne wil lanceren in Spanje en Frankrijk, en wil weten welke donateurs het meest geneigd zijn te geven. Gegeven is een basetable met predictieve variabelen "age", "country_Spain", "country_France" en het doel "target". Voor je gemak is een functie auc geïmplementeerd die de AUC retourneert op gepartitioneerde data. De functie neemt twee argumenten: de set beschouwde variabelen en de basistabel:

auc(["variable_1","variable_2"], basetable)
0.51

In deze oefening leer je hoe je interacties toevoegt aan de basistabel en controleert of dit de AUC van het predictieve model verbetert.

Deze oefening maakt deel uit van de cursus

Gevorderde voorspellende analyse in Python

Cursus bekijken

Oefeninstructies

Print de AUC van een model dat alleen age gebruikt en de AUC van een model dat alleen country_Spain gebruikt.
Print de AUC van een model dat age en country_Spain gebruikt.
Voeg twee interactietermen toe aan de basistabel: age met country_Spain en age met country_France.
Print de AUC van een model dat age, country_Spain en de interactietermen gebruikt.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Calculate AUC using age only
print(auc(["____"], basetable))

# Calculate AUC using country_Spain only
print(____(["____"], ____))

# Calculate AUC using age and country_Spain
print(____(["____", "____"], ____))

# Add interactions country_Spain x age and country_France x age
basetable["spain_age"] = ____["____"] * ____["____"]
basetable["france_age"] = ____["____"] * ____["____"]

# Calculate AUC using age, country_Spain and interactions
print(____(["____", "____", "____", "____"], ____))

Code bewerken en uitvoeren