Ajusta los pesos en el Voting Classifier
Acabas de ver que el Voting Classifier te permite mejorar el rendimiento en la detección de fraude combinando los puntos fuertes de varios modelos. Ahora vamos a ajustar los pesos que damos a estos modelos. Al aumentar o disminuir los pesos, puedes controlar cuánta importancia le das a un modelo respecto al resto. Esto es muy útil cuando un modelo tiene un rendimiento general mejor que los demás, pero aun así quieres combinar aspectos de los otros para mejorar más los resultados.
Para este ejercicio, los datos ya están divididos en conjuntos de entrenamiento y prueba, y clf1, clf2 y clf3 están disponibles y definidos como antes; es decir, son la regresión logística, el modelo de Random Forest y el árbol de decisión, respectivamente.
Este ejercicio forma parte del curso
Fraud Detection in Python
Instrucciones del ejercicio
- Define un método de conjunto en el que sobreponderes el segundo clasificador (clf2) con una relación de 4 a 1 respecto al resto de clasificadores.
- Ajusta el modelo con el conjunto de entrenamiento y obtén las predicciones
predicteddel modelo de conjunto. - Imprime las métricas de rendimiento; esto ya está listo para que lo ejecutes.
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# 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)