Використання змінних еволюції

Середній рівень Predictive Analytics у Python

Nele Verbiest

Senior Data Scientist @PythonPredictions

Побудова прогностичних моделей

# Імпортуйте модуль linear_model
from sklearn import linear_model

# Прогностичні змінні
variables = ["gender","age", "donations_last_year", "ratio_month_year"]

# Виберіть предиктори та ціль
X = basetable[variables]
y = basetable[["target"]]

# Побудуйте модель логістичної регресії
logreg = linear_model.LogisticRegression()
logreg.fit(X, y)

Створення передбачень

# Імпортуйте модуль linear_model
from sklearn import linear_model

# Прогностичні змінні
variables = ["gender","age", "donations_last_year", "ratio_month_year"]

# Виберіть предиктори та ціль
X = basetable[variables]
y = basetable[["target"]]

# Побудуйте модель логістичної регресії
logreg = linear_model.LogisticRegression()
logreg.fit(X, y)

# Зробіть передбачення
predictions = logreg.predict_proba(X)[:,1]

Оцінювання прогностичних моделей за AUC

# Імпортуйте roc_auc_score із sklearn.metrics
from sklearn.metrics import roc_auc_score

# Обчисліть AUC
auc= roc_auc_score(y, predictions)
print(round(auc,2))

0.56

Графік аналізу предиктора

# Дискретизуйте змінну у 5 бінів і додайте до basetable
basetable["ratio_month_year_disc"] = pd.qcut(basetable["ratio_month_year"], 5)

# Побудуйте таблицю для графіка predictor insight
pig_table = create_pig_table(basetable, "target","ratio_month_year_disc")

```{python}
# Побудуйте графік predictor insight
plot_pig(pig_table, "ratio_month_year_disc")

Тлумачення графіка аналізу предиктора

Давайте потренуємось!

Середній рівень Predictive Analytics у Python