Skuteczność zmiennych ewolucji
Dane jest basetable zawierające 3 zwykłe zmienne predykcyjne: "gender_F", "age", "donations_2017", oraz zmienną ewolucji "donations_2017_min_2016", która zawiera liczbę darowizn dokonanych w 2017 roku pomniejszoną o liczbę darowizn dokonanych w 2016 roku.
W tym ćwiczeniu zobaczysz, jaką wartość dodaną daje stosowanie zmiennych ewolucji. Zbudujesz dwa modele predykcyjne: jeden korzystający ze zwykłych zmiennych predykcyjnych podanych w variables_regular, a drugi zastępujący "donations_2017" przez "donations_2017_min_2016" – te zmienne są podane w variables_evolution. Model regresji logistycznej jest już zainicjalizowany w logreg. Model używający zwykłych zmiennych jest już zaimplementowany, a jego AUC jest zapisane w auc_regular.
To ćwiczenie jest częścią kursu
Pośrednia analityka predykcyjna w Pythonie
Instrukcje do ćwiczenia
- Wybierz zmienne ewolucji w
X_evolutioni dopasuj model. - Wykonaj predykcje za pomocą
.predict_proba()dla wszystkich obserwacji wX_evolutioni oblicz AUC przy użyciuroc_auc_score(). - Wyświetl wartości AUC obu modeli i porównaj je.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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))