Jämförelse av modeller för personalomsättning

I den här övningen ska du jämföra den balanserade och den obalanserade (standard) modellen med hjälp av det beskurna trädet (max_depth=7). Den obalanserade modellen är redan klar med recall och ROC/AUC-poäng. Utför samma steg för den balanserade modellen.

Variablerna features_train, target_train, features_test och target_test finns redan i din arbetsyta.
En obalanserad modell har redan tränats åt dig och dess förutsägelser sparats som prediction.
Funktionerna recall_score() och roc_auc_score() har redan importerats åt dig.

Den här övningen är en del av kursen

HR-analys: Förutsäg personalomsättning i Python

Visa kurs

Övningsinstruktioner

Initiera den balanserade modellen med ett maximalt djup på 7 och slumptalet 42.
Träna den på träningsdatan.
Gör förutsägelser med testdatan.
Skriv ut recall-poängen och ROC/AUC-poängen.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Print the recall score
print(recall_score(target_test,prediction))
# Print the ROC/AUC score
print(roc_auc_score(target_test,prediction))

# Initialize the model
model_depth_7_b = 
# Fit it to the training component
model_depth_7_b.fit(____,____)
# Make prediction using test component
prediction_b = 
# Print the recall score for the balanced model
print(____)
# Print the ROC/AUC score for the balanced model
print(____)

Redigera och kör kod