Usar un pipeline

Ahora que tienes definido nuestro pipeline, es decir, combinando una regresión logística con un método SMOTE, vamos a ejecutarlo sobre los datos. Puedes tratar el pipeline como si fuera un único modelo de Machine Learning. Nuestros datos X e y ya están definidos, y el pipeline se definió en el ejercicio anterior. ¿Tienes curiosidad por ver los resultados del modelo? ¡Vamos a probarlo!

Este ejercicio forma parte del curso

Fraud Detection in Python

Ver curso

Instrucciones del ejercicio

Separa los datos X e y en conjuntos de entrenamiento y prueba. Reserva un 30% de los datos para el conjunto de prueba y establece random_state en cero.
Ajusta tu pipeline con los datos de entrenamiento y obtiene las predicciones ejecutando la función pipeline.predict() sobre nuestro conjunto X_test.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Split your data X and y, into a training and a test set and fit the pipeline onto the training data
X_train, X_test, y_train, y_test = ____

# Fit your pipeline onto your training set and obtain predictions by fitting the model onto the test data 
pipeline.fit(____, ____) 
predicted = pipeline.____(____)

# Obtain the results from the classification report and confusion matrix 
print('Classifcation report:\n', classification_report(y_test, predicted))
conf_mat = confusion_matrix(y_true=y_test, y_pred=predicted)
print('Confusion matrix:\n', conf_mat)

Editar y ejecutar código