Använda olika uppsättningar av variabler

Att lägga till fler variabler och därmed mer komplexitet i din logistiska regressionsmodell leder inte automatiskt till en mer träffsäker modell. I den här övningen kan du undersöka om det faktiskt blir bättre när man lägger till 3 variabler.

variables_1 och variables_2 finns tillgängliga i din miljö – skriv ut dem i konsolen för att se hur de ser ut.

Den här övningen är en del av kursen

Introduktion till prediktiv analys i Python

Visa kurs

Övningsinstruktioner

Träna modellen logreg med variables_2, som innehåller 3 extra variabler jämfört med variables_1.
Gör prediktioner med den här modellen.
Beräkna AUC för den här modellen.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Create appropriate DataFrames
X_1 = basetable[variables_1]
X_2 = basetable[variables_2]
y = basetable[["target"]]

# Create the logistic regression model
logreg = linear_model.LogisticRegression()

# Make predictions using the first set of variables and assign the AUC to auc_1
logreg.fit(X_1, y)
predictions_1 = logreg.predict_proba(X_1)[:,1]
auc_1 = roc_auc_score(y, predictions_1)

# Make predictions using the second set of variables and assign the AUC to auc_2
logreg.____(____, ____)
predictions_2 = ____.____(____)[____,____]
auc_2 = ____(____, ____)

# Print auc_1 and auc_2
print(round(auc_1,2))
print(round(auc_2,2))

Redigera och kör kod