Ajuster votre Random Forest pour la détection de fraude
Dans cet exercice, vous allez explorer les options du classifieur de random forest : nous allons attribuer des poids et ajuster la structure des arbres de décision de la forêt. Vous allez définir les poids manuellement afin de compenser légèrement le déséquilibre. Ici, nous avons 300 fraudes pour 7000 non‑fraudes ; en fixant le ratio de poids à 1:12, on obtient un ratio d’environ 1/3 de fraudes pour 2/3 de non‑fraudes, ce qui est suffisant pour entraîner le modèle.
Les données de cet exercice ont déjà été divisées en ensembles d’entraînement et de test, vous pouvez donc vous concentrer sur la définition de votre modèle. Vous pouvez ensuite utiliser la fonction get_model_results() comme raccourci. Cette fonction entraîne le modèle sur vos données d’entraînement, effectue les prédictions et calcule des métriques de performance similaires aux étapes réalisées dans les exercices précédents.
Cet exercice fait partie du cours
Détection de fraude en Python
Instructions
- Modifiez l’option
weightpour définir le ratio à 1 pour 12 pour les cas non frauduleux et frauduleux, et définissez le critère de division sur 'entropy'. - Fixez la profondeur maximale à 10.
- Fixez le nombre minimal d’échantillons dans les feuilles à 10.
- Définissez le nombre d’arbres à utiliser dans le modèle sur 20.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Change the model options
model = RandomForestClassifier(bootstrap=True, class_weight={0:____, 1:____}, criterion='____',
# Change depth of model
max_depth=____,
# Change the number of samples in leaf nodes
min_samples_leaf=____,
# Change the number of trees to use
n_estimators=____, n_jobs=-1, random_state=5)
# Run the function get_model_results
get_model_results(X_train, y_train, X_test, y_test, model)