Коррелирующие переменные

Первые 10 переменных, добавленных в модель, выглядят следующим образом:

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

Как видите, переменная min_gift не была добавлена. Означает ли это, что она малополезна? Проверьте её качество, включив в модель как единственную переменную и вычислив AUC. Сравните AUC переменной min_gift с AUC переменной income_high. Для этого используйте функцию auc():

auc(variables, target, basetable)

Бывает, что хорошая переменная не попадает в модель, поскольку сильно коррелирует с уже включённой переменной. Проверить это можно, вычислив корреляцию между переменными:

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

Это упражнение является частью курса

Введение в предиктивную аналитику на Python

Посмотреть курс

Инструкции к упражнению

Вычислите AUC модели, используя только переменную min_gift.
Вычислите AUC модели, используя только переменную income_high.
Вычислите корреляцию между переменными min_gift и mean_gift.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

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))

Редактировать и запускать код