Utiliser des variables d'évolution

Analytique prédictive intermédiaire en Python

Nele Verbiest

Senior Data Scientist @PythonPredictions

Construire des modèles prédictifs

# Importer le module linear_model
from sklearn import linear_model

# Variables prédictives
variables = ["gender","age", "donations_last_year", "ratio_month_year"]

# Sélectionner les prédicteurs et la cible
X = basetable[variables]
y = basetable[["target"]]

# Construire le modèle de régression logistique
logreg = linear_model.LogisticRegression()
logreg.fit(X, y)

Générer des prédictions

# Importer le module linear_model
from sklearn import linear_model

# Variables prédictives
variables = ["gender","age", "donations_last_year", "ratio_month_year"]

# Sélectionner les prédicteurs et la cible
X = basetable[variables]
y = basetable[["target"]]

# Construire le modèle de régression logistique
logreg = linear_model.LogisticRegression()
logreg.fit(X, y)

# Générer des prédictions
predictions = logreg.predict_proba(X)[:,1]

Évaluer les modèles prédictifs avec l'AUC

# Importer roc_auc_score depuis sklearn.metrics
from sklearn.metrics import roc_auc_score

# Calculer l'AUC
auc= roc_auc_score(y, predictions)
print(round(auc,2))

0.56

Le « predictor insight graph »

# Discrétiser la variable en 5 classes et l'ajouter à la basetable
basetable["ratio_month_year_disc"] = pd.qcut(basetable["ratio_month_year"], 5)

# Construire la table du "predictor insight graph"
pig_table = create_pig_table(basetable, "target","ratio_month_year_disc")

```{python}
# Tracer le "predictor insight graph"
plot_pig(pig_table, "ratio_month_year_disc")

Interpréter le « predictor insight graph »

Passons à la pratique !

Analytique prédictive intermédiaire en Python