Lägga till interaktionstermer i bastabellen

Anta att en ideell organisation vill genomföra en kampanj i Spanien och Frankrike och vill veta vilka givare som är mest benägna att donera. Du får en basetable med de prediktiva variablerna "age", "country_Spain", "country_France" samt målvariabeln "target". För din bekvämlighet finns en funktion auc implementerad som returnerar AUC på partitionerad data. Den tar två argument: den uppsättning variabler som ska användas och bastabellen:

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

I den här övningen lär du dig hur du lägger till interaktionstermer i bastabellen och kontrollerar om detta förbättrar AUC för den prediktiva modellen.

Den här övningen är en del av kursen

Prediktiv analys på mellannivå i Python

Visa kurs

Övningsinstruktioner

Skriv ut AUC för en modell som bara använder age och AUC för en modell som bara använder country_Spain.
Skriv ut AUC för en modell som använder age och country_Spain.
Lägg till två interaktionsvariabler i bastabellen: age med country_Spain och age med country_France.
Skriv ut AUC för en modell som använder age, country_Spain och interaktionstermerna.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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(____(["____", "____", "____", "____"], ____))

Redigera och kör kod