Случайная модель

В этом упражнении вы воспроизведёте базовую линию кривой накопленного прироста — то есть кривую накопленного прироста для случайной модели.

Для этого нужно сформировать случайные предсказания. Метод plot_cumulative_gain требует двух значений для каждого предсказания: одно для целевого значения 0, другое — для целевого значения 1. Эти значения должны в сумме давать 1, поэтому допустимый список предсказаний может выглядеть, например, так: [(0.02,0.98),(0.27,0.73),...,(0.09,0.91)].

В Python случайное значение между a и b можно сгенерировать следующим образом:

import random
random_value = random.uniform(a,b)

Это упражнение является частью курса

Введение в предиктивную аналитику на Python

Посмотреть курс

Инструкции к упражнению

Импортируйте модули random, matplotlib и scikitplot.
Создайте список random_predictions, содержащий случайные числа от 0 до 1.
Преобразуйте список random_predictions так, чтобы он содержал кортежи (r,a), где r — исходное значение из списка, а a задаётся условием \(r+a=1\).
Истинные значения целевой переменной хранятся в targets_test. Постройте график накопленного прироста для вашей случайной модели.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Import the modules
import ____
import ____ as plt
import ____ as skplt

# Generate random predictions
random_predictions = [random.uniform(____,____) for _ in range(len(targets_test))]

# Adjust random predictions
random_predictions = [(r, ____ - ____) for r in random_predictions]

# Plot the cumulative gains graph
skplt.metrics.plot_cumulative_gain(targets_test, ____)
plt.show()

Редактировать и запускать код