Voting Classifier में वेट समायोजित करें
आपने अभी देखा कि Voting Classifier कई मॉडलों की अच्छी खूबियों को मिलाकर आपकी fraud detection परफॉर्मेंस बेहतर कर सकता है. अब आइए इन मॉडलों को दिए जाने वाले weights को समायोजित करने की कोशिश करें. वेट बढ़ाकर या घटाकर, आप यह नियंत्रित कर सकते हैं कि बाकी की तुलना में किस मॉडल को कितना ज़्यादा महत्व दिया जाए. यह तब उपयोगी है जब कोई एक मॉडल बाकी से समग्र रूप से बेहतर हो, लेकिन आप फिर भी दूसरे मॉडलों के पहलुओं को मिलाकर अपने नतीजों को और सुधारना चाहें.
इस अभ्यास के लिए डेटा पहले से ही training और test सेट में बँटा हुआ है, और clf1, clf2 तथा clf3 पहले की तरह उपलब्ध और परिभाषित हैं, अर्थात ये क्रमशः Logistic Regression, Random Forest मॉडल और Decision Tree हैं.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Fraud Detection
अभ्यास निर्देश
- ऐसा एन्सेम्बल मेथड परिभाषित करें जहाँ दूसरे क्लासिफायर (clf2) को बाकी क्लासिफायरों की तुलना में 4 से 1 के अनुपात में अधिक वेट दिया गया हो.
- मॉडल को training और test सेट पर फिट करें, और एन्सेम्बल मॉडल से
predictedप्रेडिक्शन प्राप्त करें. - परफॉर्मेंस मेट्रिक्स प्रिंट करें; यह आपके लिए तैयार है, बस चलाएँ.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# 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)