Random Forest Classifier – Teil 1
Erstelle jetzt einen ersten Random-Forest-Classifier zur Betrugserkennung. Hoffentlich schaffst du mehr als die Grundgenauigkeit, die du gerade berechnet hast – sie lag bei etwa 96 %. Dieses Modell dient als „Baseline“-Modell, das du in den nächsten Übungen verbessern wirst. Starte damit, die Daten in Trainings- und Testmenge zu splitten und das Random-Forest-Modell zu definieren. Vorhanden sind die Features X und die Labels y.
Diese Übung ist Teil des Kurses
Betrugserkennung mit Python
Anleitung zur Übung
- Importiere den Random-Forest-Classifier aus
sklearn. - Splitte deine Features
Xund Labelsyin Trainings- und Testmenge. Lege 30 % als Testmenge zurück. - Weise den Random-Forest-Classifier
modelzu und belasserandom_statebei 5. Wir setzen hier einen festen Zufallszustand, um Ergebnisse über verschiedene Modelle hinweg vergleichen zu können.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# 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)