Добавление взаимодействий в базовую таблицу

Предположим, что некоммерческая организация планирует провести кампанию в Испании и Франции и хочет определить, кто из доноров с наибольшей вероятностью сделает пожертвование. Дана basetable с предиктивными переменными «age», «country_Spain», «country_France» и целевой переменной «target». Для вашего удобства реализована функция auc, которая возвращает AUC на разбитых данных. Она принимает два аргумента: набор рассматриваемых переменных и базовую таблицу:

auc(["variable_1","variable_2"], basetable)
0.51

В этом упражнении вы научитесь добавлять взаимодействия в базовую таблицу и проверять, улучшается ли при этом AUC предиктивной модели.

Это упражнение является частью курса

Средний уровень прогностической аналитики на Python

Посмотреть курс

Инструкции к упражнению

Выведите AUC модели, использующей только age, и AUC модели, использующей только country_Spain.
Выведите AUC модели, использующей age и country_Spain.
Добавьте в базовую таблицу два члена взаимодействия: age с country_Spain и age с country_France.
Выведите AUC модели, использующей age, country_Spain и члены взаимодействия.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Calculate AUC using age only
print(auc(["____"], basetable))

# Calculate AUC using country_Spain only
print(____(["____"], ____))

# Calculate AUC using age and country_Spain
print(____(["____", "____"], ____))

# Add interactions country_Spain x age and country_France x age
basetable["spain_age"] = ____["____"] * ____["____"]
basetable["france_age"] = ____["____"] * ____["____"]

# Calculate AUC using age, country_Spain and interactions
print(____(["____", "____", "____", "____"], ____))

Редактировать и запускать код