Skorelowane zmienne

Pierwsze 10 zmiennych dodanych do modelu to:

['max_gift', 'number_gift', 'time_since_last_gift', 'mean_gift', 'income_high', 'age', 'country_USA', 'gender_F', 'income_low', 'country_UK']

Jak widać, min_gift nie została dodana. Czy oznacza to, że jest to słaba zmienna? Możesz sprawdzić jej jakość, budując model z tą jedną zmienną i obliczając AUC. Porównaj AUC zmiennej min_gift z AUC zmiennej income_high. Użyj do tego funkcji auc():

auc(variables, target, basetable)

Zdarza się, że dobra zmienna nie zostaje dodana do modelu, ponieważ jest silnie skorelowana ze zmienną już w nim obecną. Możesz to sprawdzić, obliczając korelację między tymi zmiennymi:

import numpy
numpy.corrcoef(basetable["variable_1"],basetable["variable_2"])[0,1]

To ćwiczenie jest częścią kursu

Wprowadzenie do analizy predykcyjnej w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Oblicz AUC modelu używającego wyłącznie zmiennej min_gift.
Oblicz AUC modelu używającego wyłącznie zmiennej income_high.
Oblicz korelację między zmienną min_gift a zmienną mean_gift.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

import numpy as np

# Calculate the AUC of the model using min_gift only
auc_min_gift = auc([____], ["target"], ____)
print(round(auc_min_gift,2))

# Calculate the AUC of the model using income_high only
auc_income_high = ____([____], [____], ____)
print(round(auc_income_high,2))

# Calculate the correlation between min_gift and mean_gift
correlation = np.corrcoef(basetable["____"], basetable["____"])[0,1]
print(round(correlation,2))

Edytuj i uruchom kod