Ajuster les poids dans le Voting Classifier
Vous venez de voir que le Voting Classifier vous permet d'améliorer la détection de fraude en combinant les points forts de plusieurs modèles. Essayons maintenant d'ajuster les poids attribués à ces modèles. En augmentant ou en diminuant les poids, vous pouvez moduler l'importance accordée à un modèle particulier par rapport aux autres. C'est utile lorsqu'un modèle affiche globalement un meilleur rendement que les autres, mais que vous souhaitez tout de même combiner certains aspects des autres pour améliorer encore vos résultats.
Pour cet exercice, les données sont déjà séparées en ensembles d'entraînement et de test, et clf1, clf2 et clf3 sont disponibles et définis comme précédemment, c'est‑à‑dire la régression logistique, le modèle Random Forest et l'arbre de décision, respectivement.
Cette activité fait partie du cours
Détection de fraude en Python
Instructions de l’exercice
- Définissez une méthode d'ensemble où vous surpondérez le deuxième classifieur (clf2) à 4 contre 1 par rapport aux autres classifieurs.
- Ajustez le modèle sur les ensembles d'entraînement et de test, puis obtenez les prédictions
predicteddu modèle d'ensemble. - Affichez les mesures de rendement; le code est prêt à être exécuté.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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)