Voting Classifier
Ahora vamos a combinar tres modelos de Machine Learning en uno para mejorar nuestro modelo de detección de fraude con Random Forest de antes. Vas a combinar nuestro Random Forest habitual, la regresión logística del ejercicio anterior y un árbol de decisión sencillo. Puedes usar el atajo get_model_results() para ver de inmediato el resultado del modelo de conjunto.
Este ejercicio forma parte del curso
Fraud Detection in Python
Instrucciones del ejercicio
- Importa el paquete Voting Classifier.
- Define los tres modelos: usa la regresión logística de antes, el Random Forest de ejercicios anteriores y un árbol de decisión con pesos de clase balanceados.
- Define el modelo de conjunto introduciendo los tres clasificadores con sus respectivas etiquetas.
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# Import the package
from sklearn.ensemble import ____
# Define the three classifiers to use in the ensemble
clf1 = LogisticRegression(class_weight={0:1, 1:15}, random_state=5)
clf2 = ____(class_weight={0:1, 1:12}, criterion='gini', max_depth=8, max_features='log2',
min_samples_leaf=10, n_estimators=30, n_jobs=-1, random_state=5)
clf3 = DecisionTreeClassifier(random_state=5, class_weight="____")
# Combine the classifiers in the ensemble model
ensemble_model = ____(estimators=[('lr', ____), ('rf', ____), ('dt', ____)], voting='hard')
# Get the results
get_model_results(X_train, y_train, X_test, y_test, ensemble_model)