Desempenho das variáveis de evolução
É fornecida uma basetable que tem 3 variáveis preditivas regulares — "gender_F", "age", "donations_2017" — e uma variável de evolução, "donations_2017_min_2016", que contém o número de doações feitas em 2017 menos o número de doações feitas em 2016.
Neste exercício, você verá o valor agregado de usar variáveis de evolução. Você vai construir dois modelos preditivos: um usando as variáveis preditivas regulares fornecidas em variables_regular e outro substituindo "donations_2017" por "donations_2017_min_2016"; essas variáveis estão em variables_evolution. O modelo de regressão logística já foi inicializado para você em logreg. O modelo usando as variáveis regulares já foi implementado e a AUC está em auc_regular.
Este exercício faz parte do curso
Análise Preditiva Intermediária em Python
Instruções do exercício
- Selecione as variáveis de evolução em
X_evolutione ajuste o modelo. - Faça previsões usando
.predict_proba()com esse modelo para todas as observações emX_evolutione calcule a AUC comroc_auc_score(). - Imprima as AUCs de ambos os modelos e compare.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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))