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

<Kurs>Betrugserkennung mit Python</Kurs>

Kurs ansehen

Übungsanweisungen

Importiere den Random-Forest-Classifier aus sklearn.
Splitte deine Features X und Labels y in Trainings- und Testmenge. Lege 30 % als Testmenge zurück.
Weise den Random-Forest-Classifier model zu und belasse random_state bei 5. Wir setzen hier einen festen Zufallszustand, um Ergebnisse über verschiedene Modelle hinweg vergleichen zu können.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# 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)

Code bearbeiten und ausführen