Classificateur Random Forest – partie 1

Créons maintenant un premier classificateur Random Forest pour la détection de la fraude. Avec un peu de chance, vous ferez mieux que la justesse de base que vous venez de calculer, soit environ 96 %. Ce modèle servira de modèle de référence que vous chercherez à améliorer dans les prochains exercices. Commencez par diviser les données en ensembles d'entraînement et de test, puis définir le modèle Random Forest. Les données disponibles sont les caractéristiques X et les étiquettes y.

Cette activité fait partie du cours

Détection de fraude en Python

Voir le cours

Instructions de l’exercice

Importez le classificateur Random Forest depuis sklearn.
Divisez vos caractéristiques X et vos étiquettes y en un ensemble d'entraînement et un ensemble de test. Mettez de côté 30 % pour le test.
Assignez le classificateur Random Forest à model et laissez random_state à 5. Nous devons fixer un état aléatoire ici pour pouvoir comparer les résultats entre différents modèles.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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)

Modifier et exécuter le code