Voting Classifier
Teď zkombinujeme tři modely strojového učení do jednoho, abychom vylepšili náš předchozí model Random Forest pro detekci podvodů. Spojíme Random Forest s logistickou regresí z předchozího cvičení a jednoduchým rozhodovacím stromem. Pomocí zkratky get_model_results() si můžeš okamžitě prohlédnout výsledky ensemble modelu.
Toto cvičení je součástí kurzu
Detekce podvodů v Pythonu
Pokyny k cvičení
- Importuj balíček Voting Classifier.
- Definuj tři modely: použij logistickou regresi z předchozího cvičení, Random Forest z dřívějších cvičení a rozhodovací strom s vyváženými váhami tříd.
- Definuj ensemble model tak, že jako vstupy zadáš všechny tři klasifikátory spolu s jejich příslušnými popisky.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Import the package
from sklearn.ensemble import ____
# Define the three classifiers to use in the ensemble
clf1 = LogisticRegression(class_weight={0:1, 1:15}, random_state=5)
clf2 = ____(class_weight={0:1, 1:12}, criterion='gini', max_depth=8, max_features='log2',
min_samples_leaf=10, n_estimators=30, n_jobs=-1, random_state=5)
clf3 = DecisionTreeClassifier(random_state=5, class_weight="____")
# Combine the classifiers in the ensemble model
ensemble_model = ____(estimators=[('lr', ____), ('rf', ____), ('dt', ____)], voting='hard')
# Get the results
get_model_results(X_train, y_train, X_test, y_test, ensemble_model)