Clasificador Random Forest - parte 1
Ahora vamos a crear un primer random forest classifier para detectar fraude. A ver si puedes mejorar la exactitud de referencia que acabas de calcular, que era aproximadamente del 96%. Este modelo actuará como modelo de referencia que intentarás mejorar en los próximos ejercicios. Empecemos por dividir los datos en conjuntos de entrenamiento y prueba y por definir el modelo Random Forest. Los datos disponibles son las variables X y las etiquetas y.
Este ejercicio forma parte del curso
Fraud Detection in Python
Instrucciones del ejercicio
- Importa el clasificador Random Forest desde
sklearn. - Divide tus variables
Xy etiquetasyen conjuntos de entrenamiento y prueba. Reserva un conjunto de prueba del 30%. - Asigna el clasificador Random Forest a
modely dejarandom_stateen 5. Necesitamos fijar un estado aleatorio para poder comparar resultados entre distintos modelos.
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# 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)