Ефективність еволюційних змінних

Маємо basetable, який містить 3 звичайні предиктивні змінні: "gender_F", "age", "donations_2017", а також еволюційну змінну "donations_2017_min_2016", що дорівнює кількості пожертв у 2017 році мінус кількість пожертв у 2016 році.

У цій вправі ви побачите додану цінність використання еволюційних змінних. Ви побудуєте дві прогностичні моделі: одну зі звичайними предиктивними змінними, наведеними в variables_regular, і одну, де "donations_2017" замінено на "donations_2017_min_2016" — ці змінні наведено в variables_evolution. Модель логістичної регресії вже ініціалізовано для вас у logreg. Модель зі звичайними змінними вже реалізована, її AUC збережено в auc_regular.

Ця вправа є частиною курсу

Середній рівень Predictive Analytics у Python

Переглянути курс

Інструкції до вправи

Оберіть еволюційні змінні у X_evolution і навчіть модель.
Зробіть передбачення для всіх спостережень у X_evolution за допомогою .predict_proba() для цієї моделі та обчисліть AUC через roc_auc_score().
Виведіть AUC обох моделей і порівняйте.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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))

Редагувати та запускати код