Úpravy modelu

Jednoduchý způsob, jak upravit model náhodného lesa tak, aby si poradil s výrazně nevyváženými daty o podvodech, je použít při definici modelu sklearn možnost class_weights. Jak ale uvidíš, jde o poměrně hrubý nástroj, který nemusí fungovat ve tvém konkrétním případě.

V tomto cvičení prozkoumáš režim weight = "balanced_subsample" modelu náhodného lesa z předchozího cvičení. Data už máš rozdělená na trénovací a testovací sadu, tedy X_train, X_test, y_train, y_test jsou k dispozici. Funkce pro metriky jsou již naimportované.

Toto cvičení je součástí kurzu

Detekce podvodů v Pythonu

Zobrazit kurz

Pokyny k cvičení

Nastav argument class_weight svého klasifikátoru na balanced_subsample.
Natrénuj model na trénovací sadě.
Získej predikce a pravděpodobnosti z X_test.
Vypočítej roc_auc_score, klasifikační report a matici záměn.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Define the model with balanced subsample
model = RandomForestClassifier(class_weight='____', random_state=5)

# Fit your training model to your training set
model.fit(____, ____)

# Obtain the predicted values and probabilities from the model 
predicted = ____.____(____)
probs = ____.____(____)

# Print the roc_auc_score, the classification report and confusion matrix
print(____(____, ____))
print(____(____, ____))
print(____(____, ____))

Upravit a spustit kód