Evolutionsvariablers prestanda
Du får en basetable med 3 vanliga prediktiva variabler: "gender_F", "age", "donations_2017", samt en evolutionsvariabel "donations_2017_min_2016" som innehåller antalet donationer gjorda 2017 minus antalet donationer gjorda 2016.
I den här övningen får du se vilket mervärde evolutionsvariabler kan tillföra. Du ska bygga två prediktiva modeller – en med de vanliga prediktiva variablerna som finns i variables_regular, och en där "donations_2017" ersätts av "donations_2017_min_2016", dessa variabler finns i variables_evolution. Den logistiska regressionsmodellen är redan initialiserad i logreg. Modellen med de vanliga variablerna är redan implementerad och dess AUC finns i auc_regular.
Den här övningen är en del av kursen
Prediktiv analys på mellannivå i Python
Övningsinstruktioner
- Välj evolutionsvariablerna i
X_evolutionoch träna modellen. - Gör prediktioner med
.predict_proba()för alla observationer iX_evolutionoch beräkna AUC medroc_auc_score(). - Skriv ut AUC för båda modellerna och jämför.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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))