Random Forest Classifier – část 1

Pojďme teď sestavit první klasifikátor náhodného lesa pro detekci podvodů. Snad se ti podaří překonat základní přesnost, kterou jsi právě vypočítal/a – ta byla přibližně 96 %. Tento model bude sloužit jako "základní" model, který se v následujících cvičeních pokusíme vylepšit. Začneme rozdělením dat na trénovací a testovací sadu a definicí modelu náhodného lesa. K dispozici máš příznaky X a štítky y.

Toto cvičení je součástí kurzu

Detekce podvodů v Pythonu

Zobrazit kurz

Pokyny k cvičení

Importuj klasifikátor náhodného lesa z sklearn.
Rozděl příznaky X a štítky y na trénovací a testovací sadu. Vyčleň 30 % dat jako testovací sadu.
Přiřaď klasifikátor náhodného lesa do proměnné model a ponech random_state na hodnotě 5. Nastavení náhodného stavu je nutné proto, abychom mohli porovnávat výsledky napříč různými modely.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import the random forest model from sklearn
from sklearn.ensemble import ____

# Split your data into training and test set
X_train, X_test, y_train, y_test = ____(____, ____, test_size=____, random_state=0)

# Define the model as the random forest
model = ____(random_state=5)

Upravit a spustit kód