Naruszenie osi czasu

Aby pokazać, jak ważna jest oś czasu, przyjrzyjmy się przykładowi, w którym ją naruszamy – czyli wykorzystujemy informacje z okresu docelowego do budowy zmiennych predykcyjnych.

Dataframe basetable zawiera dwie kolumny: "amount_2017" to łączna kwota darowizn w 2017 roku, a "target" przyjmuje wartość 1, jeśli ta kwota przekracza 30, lub 0 w przeciwnym razie.

Zbuduj model regresji logistycznej, który używa kolumny "amount_2017" jako jedynej zmiennej predykcyjnej do przewidywania wartości docelowej, a następnie oblicz AUC.

To ćwiczenie jest częścią kursu

Pośrednia analityka predykcyjna w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Utwórz dataframe X zawierający zmienną predykcyjną oraz dataframe y zawierający zmienną docelową.
Dopasuj model regresji logistycznej tak, aby y było przewidywane na podstawie X. Zbuduj model regresji logistycznej, który używa amount_2017 jako jedynej zmiennej predykcyjnej do przewidywania target.
Dokonaj predykcji dla obiektów z X.
Oblicz i wyświetl AUC tego modelu, korzystając z funkcji roc_auc_score.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Select the relevant predictors and the target
X = basetable[["____"]]
y = basetable[["____"]]

# Build the logistic regression model
logreg = linear_model.LogisticRegression()
logreg.____(____, ____)

# Make predictions for X
predictions = logreg.____(____)[:,1]

# Calculate and print the AUC value
auc = ____(____, ____)
print(round(auc, 2))

Edytuj i uruchom kod