Voorspellingen maken

Zodra je model klaar is, kun je het gebruiken om voorspellingen te doen voor een campagne. Het is belangrijk om altijd de meest recente informatie te gebruiken voor je voorspellingen.

In deze oefening leer je, gegeven een gefit logistisch regressiemodel, hoe je voorspellingen maakt voor een nieuwe, bijgewerkte basistabel.

Het logistische regressiemodel dat je in de vorige oefeningen hebt gebouwd, is voor je toegevoegd en gefit in logreg.

Deze oefening maakt deel uit van de cursus

Introductie tot Predictive Analytics in Python

Cursus bekijken

Oefeninstructies

De meest recente data staat in current_data. Maak een DataFrame new_data dat de relevante kolommen uit current_data selecteert.
Ken aan predictions de voorspellingen toe voor de observaties in new_data.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Fit a logistic regression model
from sklearn import linear_model
X = basetable[["age","gender_F","time_since_last_gift"]]
y = basetable[["target"]]
logreg = linear_model.LogisticRegression()
logreg.fit(X, y)

# Create a DataFrame new_data from current_data that has only the relevant predictors 
new_data = ____[[____, ____, ____]]

# Make a prediction for each observation in new_data and assign it to predictions
predictions = ____.____(____)
print(predictions[0:5])

Code bewerken en uitvoeren