Regresión logística
En esta última lección vas a combinar tres algoritmos en un único modelo con VotingClassifier. Esto nos permite aprovechar los puntos fuertes de todos los modelos y, con suerte, mejorar el rendimiento global y detectar más fraudes. El primer modelo, la Regresión Logística, tiene un recall ligeramente superior al de nuestro modelo óptimo de Random Forest, pero genera muchos más falsos positivos. También añadirás un Decision Tree con pesos balanceados. Los datos ya están divididos en conjuntos de entrenamiento y prueba, es decir, X_train, y_train, X_test, y_test están disponibles.
Para entender cómo el Voting Classifier puede mejorar potencialmente tu modelo original, primero deberías revisar los resultados por separado del modelo de Regresión Logística.
Este ejercicio forma parte del curso
Fraud Detection in Python
Instrucciones del ejercicio
- Define un modelo de LogisticRegression con pesos de clase de 1:15 para los casos de fraude.
- Ajusta el modelo al conjunto de entrenamiento y obtén las predicciones del modelo.
- Imprime el classification report y la confusion matrix.
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# Define the Logistic Regression model with weights
model = ____(____={____, ____}, random_state=5)
# Get the model results
get_model_results(X_train, y_train, X_test, y_test, model)