Použití pipeline
Teď, když máš pipeline definovanou — tedy kombinaci logistické regrese s metodou SMOTE — spusťme ji na datech. S pipeline můžeš pracovat úplně stejně jako s jediným modelem strojového učení. Data X a y jsou už připravena a pipeline je definovaná v předchozím cvičení. Chceš vidět, jaké výsledky model přinese? Pojďme to vyzkoušet!
Toto cvičení je součástí kurzu
Detekce podvodů v Pythonu
Pokyny k cvičení
- Rozděl data
Xayna trénovací a testovací sadu. Vyčleň 30 % dat pro testovací sadu a nastavrandom_statena nulu. - Natrénuj pipeline na trénovacích datech a získej predikce spuštěním funkce
pipeline.predict()na datové saděX_test.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Split your data X and y, into a training and a test set and fit the pipeline onto the training data
X_train, X_test, y_train, y_test = ____
# Fit your pipeline onto your training set and obtain predictions by fitting the model onto the test data
pipeline.fit(____, ____)
predicted = pipeline.____(____)
# Obtain the results from the classification report and confusion matrix
print('Classifcation report:\n', classification_report(y_test, predicted))
conf_mat = confusion_matrix(y_true=y_test, y_pred=predicted)
print('Confusion matrix:\n', conf_mat)