Używanie różnych zestawów zmiennych

Dodawanie kolejnych zmiennych, a tym samym zwiększanie złożoności modelu regresji logistycznej, nie zawsze prowadzi do bardziej dokładnych modeli. W tym ćwiczeniu sprawdzisz, czy dodanie 3 zmiennych do modelu rzeczywiście poprawia jego dokładność.

variables_1 i variables_2 są dostępne w twoim środowisku – możesz je wyświetlić w konsoli, aby zobaczyć, jak wyglądają.

To ćwiczenie jest częścią kursu

Wprowadzenie do analizy predykcyjnej w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Dopasuj model logreg, używając variables_2, który zawiera 3 dodatkowe zmienne w porównaniu z variables_1.
Wykonaj predykcje dla tego modelu.
Oblicz AUC tego modelu.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Create appropriate DataFrames
X_1 = basetable[variables_1]
X_2 = basetable[variables_2]
y = basetable[["target"]]

# Create the logistic regression model
logreg = linear_model.LogisticRegression()

# Make predictions using the first set of variables and assign the AUC to auc_1
logreg.fit(X_1, y)
predictions_1 = logreg.predict_proba(X_1)[:,1]
auc_1 = roc_auc_score(y, predictions_1)

# Make predictions using the second set of variables and assign the AUC to auc_2
logreg.____(____, ____)
predictions_2 = ____.____(____)[____,____]
auc_2 = ____(____, ____)

# Print auc_1 and auc_2
print(round(auc_1,2))
print(round(auc_2,2))

Edytuj i uruchom kod