Porównanie modeli przewidywania rotacji pracowników

W tym ćwiczeniu porównasz modele zbalansowany i niezbalansowany (domyślny), korzystając z przyciętego drzewa (max_depth=7). Model niezbalansowany został już oceniony przy użyciu miar recall i ROC/AUC. Wykonaj te same kroki dla modelu zbalansowanego.

Zmienne features_train, target_train, features_test i target_test są już dostępne w twoim środowisku pracy.
Model niezbalansowany został już dopasowany, a jego predykcje zapisano jako prediction.
Funkcje recall_score() i roc_auc_score() zostały już zaimportowane.

To ćwiczenie jest częścią kursu

HR Analytics: Przewidywanie rotacji pracowników w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Zainicjalizuj model zbalansowany, ustawiając jego maksymalną głębokość na 7 i ziarno losowości na 42.
Dopasuj go do danych treningowych.
Wygeneruj predykcje na zbiorze testowym.
Wyświetl wartość miary recall oraz wynik ROC/AUC.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Print the recall score
print(recall_score(target_test,prediction))
# Print the ROC/AUC score
print(roc_auc_score(target_test,prediction))

# Initialize the model
model_depth_7_b = 
# Fit it to the training component
model_depth_7_b.fit(____,____)
# Make prediction using test component
prediction_b = 
# Print the recall score for the balanced model
print(____)
# Print the ROC/AUC score for the balanced model
print(____)

Edytuj i uruchom kod