Ý nghĩa của biến tiến hóa
Trong bài tập này, bạn sẽ khảo sát mối liên hệ giữa biến "donations2017min_2016" mà bạn đã thêm vào basetable ở các bài trước và biến mục tiêu, bằng cách sử dụng predictor insight graph.
Vì sự tiện lợi của bạn, các phương thức để tạo predictor insight graph đã được lập trình sẵn.
Để vẽ predictor insight graph cho một biến liên tục variable trong basetable, bạn có thể làm theo các bước sau:
- Rời rạc hóa biến thành
n_binskhoảng:
basetable["variable_disc"] = pd.qcut(basetable["variable"], n_bins)
- Tạo bảng cho predictor insight graph:
pig_table = create_pig_table(basetable, "target","variable_disc")
- Vẽ predictor insight graph dựa trên bảng này:
plot_pig(pig_table,"variable_disc")
Bài tập này là một phần của khóa học
Phân tích dự đoán nâng cao với Python
Hướng dẫn bài tập
- Rời rạc hóa biến tiến hóa
donations_2017_min_2016thành 5 khoảng và thêm nó vào basetable. - Tạo bảng predictor insight graph cho biến này.
- Vẽ predictor insight graph của biến này.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Discretize the variable in 5 bins and add to the basetable
basetable["donations_2017_min_2016_disc"] = pd.____(____["____"], ____)
# Construct the predictor insight graph table
pig_table = ____(____, "target", "____")
# Plot the predictor insight graph
plot_pig(____, "____")