Odhalování podvodů pomocí klasifikace v ML
V tomto cvičení se podíváme, co se stane, když na data o kreditních kartách použijeme jednoduchý model strojového učení.
Myslíš, že dosáhneš lepších výsledků? Připomeň si, že předchozí přístup odhalil 22 z 50 podvodných případů a vygeneroval 16 falešně pozitivních výsledků.
S tím na paměti implementujeme model Logistic Regression. Pokud sis prošel/a kurzem o supervised learningu v Pythonu, tento model ti bude povědomý. Pokud ne, může být dobrý nápad si ho nejdřív zopakovat. Ale neboj — celou strukturou modelu tě provedeme krok za krokem.
Proměnné X a y máš k dispozici ve svém pracovním prostředí.
Toto cvičení je součástí kurzu
Detekce podvodů v Pythonu
Pokyny k cvičení
- Rozděl
Xayna trénovací a testovací data, přičemž 30 % dat ponech pro testování. - Natrénuj model na trénovacích datech.
- Predikované štítky získáš spuštěním
model.predictnaX_test. - Sestav klasifikační přehled porovnáním
y_testspredicteda zkontroluj výsledky pomocí připravené matice záměn.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Create the training and testing sets
X_train, X_test, y_train, y_test = train_test_split(____, ____, test_size=____, random_state=0)
# Fit a logistic regression model to our data
model = LogisticRegression()
model.fit(____, ____)
# Obtain model predictions
predicted = model.predict(____)
# Print the classifcation report and confusion matrix
print('Classification report:\n', classification_report(____, ____))
conf_mat = confusion_matrix(y_true=y_test, y_pred=predicted)
print('Confusion matrix:\n', conf_mat)