Gewichte im Voting Classifier anpassen
Du hast gerade gesehen, dass der Voting Classifier deine Fraud-Detection-Leistung verbessern kann, indem er gute Eigenschaften mehrerer Modelle kombiniert. Jetzt wollen wir die Gewichte anpassen, die wir diesen Modellen geben. Durch Erhöhen oder Verringern der Gewichte kannst du steuern, wie stark ein bestimmtes Modell im Vergleich zu den anderen gewichtet wird. Das ist hilfreich, wenn ein Modell insgesamt besser abschneidet als die anderen, du aber weiterhin Aspekte der übrigen kombinieren möchtest, um dein Ergebnis weiter zu verbessern.
Für diese Übung sind die Daten bereits in Trainings- und Testmenge aufgeteilt, und clf1, clf2 und clf3 stehen wie zuvor definiert bereit, d. h. es handelt sich respektive um die Logistic Regression, das Random-Forest-Modell und den Decision Tree.
Diese Übung ist Teil des Kurses
Betrugserkennung mit Python
Anleitung zur Übung
- Definiere eine Ensemble-Methode, bei der du den zweiten Klassifikator (clf2) im Verhältnis 4 zu 1 gegenüber den übrigen Klassifikatoren übergewichtest.
- Fitte das Modell auf Trainings- und Testmenge und erhalte die Vorhersagen
predictedvom Ensemble-Modell. - Gib die Leistungskennzahlen aus; der Code dafür ist bereits vorbereitet.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# 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)