Evrim değişkenlerinin performansı

Elinde 3 adet düzenli öngörücü değişkeni ("gender_F", "age", "donations_2017") ve bir adet evrim değişkeni ("donations_2017_min_2016") bulunan bir basetable var. Bu evrim değişkeni, 2017'de yapılan bağış sayısından 2016'da yapılan bağış sayısını çıkararak elde edilir.

Bu egzersizde evrim değişkenlerini kullanmanın sağladığı ek değeri göreceksin. İki öngörücü model kuracaksın: biri, variables_regular içinde verilen düzenli öngörücü değişkenleri kullanacak; diğeri ise "donations_2017" değişkenini "donations_2017_min_2016" ile değiştirecek; bu değişkenler variables_evolution içinde verildi. Lojistik regresyon modeli logreg içinde senin için zaten başlatılmış durumda. Düzenli değişkenleri kullanan model zaten uygulandı, AUC değeri auc_regular içinde.

Bu egzersiz

Python ile Orta Düzey Öngörüsel Analitik

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Evrim değişkenlerini X_evolution içinde seç ve modeli eğit.
Bu modelle X_evolution içindeki tüm gözlemler için .predict_proba() kullanarak tahmin yap ve roc_auc_score() ile AUC'yi hesapla.
Her iki modelin AUC değerlerini yazdır ve karşılaştır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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))

Kodu Düzenle ve Çalıştır