Régression logistique
Dans cette dernière leçon, vous allez combiner trois algorithmes en un seul modèle avec le VotingClassifier. Cela nous permet de tirer parti des forces de chaque modèle et, espérons-le, d'améliorer la performance globale et de détecter plus de fraudes. Le premier modèle, la régression logistique, a un rappel légèrement plus élevé que notre modèle Random Forest optimal, mais génère beaucoup plus de faux positifs. Vous ajouterez aussi un arbre de décision avec des poids équilibrés. Les données sont déjà séparées en ensembles d'entraînement et de test, c'est‑à‑dire que X_train, y_train, X_test, y_test sont disponibles.
Pour comprendre comment le VotingClassifier peut potentiellement améliorer votre modèle initial, commencez par vérifier les résultats autonomes du modèle de régression logistique.
Cette activité fait partie du cours
Détection de fraude en Python
Instructions de l’exercice
- Définissez un modèle LogisticRegression avec des poids de classes de 1:15 pour les cas de fraude.
- Ajustez le modèle sur l'ensemble d'entraînement et obtenez les prédictions du modèle.
- Affichez le rapport de classification et la matrice de confusion.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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)