Úprava vah ve Voting Classifieru
Právě jsi viděl/a, že Voting Classifier umožňuje zlepšit výkon detekce podvodů tím, že kombinuje silné stránky více modelů. Teď zkusíme upravit váhy, které těmto modelům přiřadíme. Zvyšováním nebo snižováním vah můžeš ovlivnit, jak velký důraz kladeš na konkrétní model v porovnání s ostatními. To se hodí zejména tehdy, když jeden model celkově dosahuje lepších výsledků než ostatní, ale přesto chceš využít i silné stránky těch zbývajících.
Pro toto cvičení jsou data již rozdělena na trénovací a testovací sadu. Klasifikátory clf1, clf2 a clf3 jsou k dispozici a definovány jako dříve – tedy jako Logistická regrese, Random Forest a Decision Tree.
Toto cvičení je součástí kurzu
Detekce podvodů v Pythonu
Pokyny k cvičení
- Definuj ensemble metodu, ve které přidělíš druhému klasifikátoru (clf2) váhu 4krát vyšší než zbývajícím klasifikátorům.
- Natrénuj model na trénovací sadě a získej předpovědi
predictedz ensemble modelu. - Vypiš metriky výkonu – tento kód je připraven ke spuštění.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Define the ensemble model
ensemble_model = ____(estimators=[('lr', clf1), ('rf', clf2), ('gnb', clf3)], voting='soft', weights=[____, ____, ____], flatten_transform=True)
# Get results
get_model_results(X_train, y_train, X_test, y_test, ensemble_model)