ประสิทธิภาพของตัวแปร evolution

กำหนดให้มี basetable ที่ประกอบด้วยตัวแปรทำนายปกติ 3 ตัว ได้แก่ "gender_F", "age", "donations_2017" และตัวแปร evolution ชื่อ "donations_2017_min_2016" ซึ่งเก็บค่าจำนวนการบริจาคในปี 2017 ลบด้วยจำนวนการบริจาคในปี 2016

ในแบบฝึกหัดนี้ จะได้เห็นถึงคุณค่าของการใช้ตัวแปร evolution โดยจะสร้างโมเดลทำนายสองแบบ ได้แก่ โมเดลที่ใช้ตัวแปรทำนายปกติที่กำหนดให้ใน variables_regular และโมเดลที่แทนที่ "donations_2017" ด้วย "donations_2017_min_2016" โดยตัวแปรชุดนี้กำหนดให้ใน variables_evolution โมเดล logistic regression ถูก initialize ไว้แล้วใน logreg และโมเดลที่ใช้ตัวแปรปกติถูก implement ไว้แล้ว โดยค่า AUC อยู่ใน auc_regular

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Predictive Analytics ระดับกลางด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

เลือกตัวแปร evolution ไว้ใน X_evolution แล้วฟิตโมเดล
ทำนายผลด้วย .predict_proba() โดยใช้โมเดลนี้กับข้อมูลทุก observation ใน X_evolution จากนั้นคำนวณค่า AUC ด้วย roc_auc_score()
แสดงค่า AUC ของทั้งสองโมเดลและเปรียบเทียบผลที่ได้

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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))

แก้ไขและรันโค้ด