Hiệu quả của biến dạng tiến hóa
Cho một basetable có 3 biến dự báo thông thường, gồm "gender_F", "age", "donations_2017", và một biến tiến hóa "donations_2017_min_2016" chứa số lần quyên góp thực hiện trong năm 2017 trừ đi số lần quyên góp trong năm 2016.
Trong bài tập này, bạn sẽ thấy giá trị gia tăng khi dùng các biến tiến hóa. Bạn sẽ xây dựng hai mô hình dự báo: một mô hình dùng các biến dự báo thông thường đã được cung cấp trong variables_regular, và một mô hình thay "donations_2017" bằng "donations_2017_min_2016"; các biến này đã được cung cấp trong variables_evolution. Mô hình hồi quy logistic đã được khởi tạo sẵn trong logreg. Mô hình dùng các biến thông thường đã được cài đặt, AUC nằm trong auc_regular.
Bài tập này là một phần của khóa học
Phân tích dự đoán nâng cao với Python
Hướng dẫn bài tập
- Chọn các biến tiến hóa vào
X_evolutionvà fit mô hình. - Tạo dự báo bằng
.predict_proba()với mô hình này cho tất cả quan sát trongX_evolutionvà tính AUC bằngroc_auc_score(). - In AUC của cả hai mô hình và so sánh.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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))