शुरू करेंमुफ़्त में शुरू करें

Logistic Regression

इस आख़िरी लेसन में आप तीन एल्गोरिदम को जोड़कर एक मॉडल बनाएँगे, VotingClassifier के साथ. इससे हम सभी मॉडलों के अलग‑अलग मजबूत पक्षों का लाभ ले सकते हैं, कुल मिलाकर परफॉर्मेंस बेहतर कर सकते हैं, और अधिक फ्रॉड पकड़ने की उम्मीद कर सकते हैं. पहला मॉडल, Logistic Regression, का रिकॉल स्कोर हमारे ऑप्टिमल Random Forest मॉडल से थोड़ा अधिक है, लेकिन इसमें फ़ॉल्स पॉज़िटिव्स काफी ज़्यादा आते हैं. आप इसमें बैलेंस्ड वेट्स वाला एक Decision Tree भी जोड़ेंगे. डेटा पहले से ही training और test सेट में बाँटा हुआ है, यानी X_train, y_train, X_test, y_test उपलब्ध हैं.

यह समझने के लिए कि Voting Classifier आपके ओरिजिनल मॉडल को कैसे बेहतर बना सकता है, आपको पहले Logistic Regression मॉडल के standalone नतीजे चेक करने चाहिए.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Fraud Detection

पाठ्यक्रम देखें

अभ्यास निर्देश

  • फ्रॉड केस के लिए 1:15 के class weights के साथ एक LogisticRegression मॉडल डिफाइन करें.
  • मॉडल को training सेट पर फिट करें और मॉडल की प्रेडिक्शंस प्राप्त करें.
  • classification report और confusion matrix प्रिंट करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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)
कोड संपादित करें और चलाएँ