Utiliser un pipeline
Maintenant que votre pipeline est défini, c'est‑à‑dire qu'il combine une régression logistique avec la méthode SMOTE, exécutons‑le sur les données. Vous pouvez traiter le pipeline comme un seul modèle de Machine Learning. Nos données X et y sont déjà définies, et le pipeline a été préparé dans l'exercice précédent. Curieux de voir les résultats du modèle? Essayons!
Cette activité fait partie du cours
Détection de fraude en Python
Instructions de l’exercice
- Divisez les données « X » et « y » en ensembles d'entraînement et de test. Réservez 30 % des données pour l'ensemble de test et réglez
random_stateà zéro. - Entraînez votre pipeline sur les données d'entraînement et obtenez les prédictions en appelant la fonction
pipeline.predict()sur notre jeu de donnéesX_test.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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)