SMOTE लागू करना
इस अभ्यास में, आप Synthetic Minority Over-sampling Technique (SMOTE) का उपयोग करके हमारे डेटा को फिर से बैलेंस करेंगे। ROS के विपरीत, SMOTE ऑब्ज़र्वेशन्स की हूबहू कॉपी नहीं बनाता, बल्कि अल्पसंख्यक क्लास में मौजूद ऑब्ज़र्वेशन्स से मिलते-जुलते नए, synthetic सैंपल्स बनाता है। इसलिए, SMOTE केवल कॉपी बनाने की तुलना में थोड़ा ज़्यादा परिष्कृत है। आइए इसे हमारे क्रेडिट कार्ड डेटा पर लागू करें.
डेटासेट df उपलब्ध है और SMOTE के लिए ज़रूरी पैकेज इम्पोर्ट किए जा चुके हैं। अगले अभ्यास में, आप परिणाम का विज़ुअलाइज़ेशन करेंगे और उसे ओरिजिनल डेटा से तुलना करेंगे, ताकि SMOTE लगाने का प्रभाव आपको साफ दिखे.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Fraud Detection
अभ्यास निर्देश
dfपरprep_dataफंक्शन का उपयोग करके फीचर्सXऔर लेबल्सyबनाइए.- वैरिएबल
methodके तहत resampling method को रेगुलर SMOTE के रूप में परिभाषित कीजिए. - नए resampled डेटा पाने के लिए ओरिजिनल
Xऔरyपर.fit_resample()चलाइए. plot_data()फंक्शन से resampled डेटा को प्लॉट कीजिए.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
from imblearn.over_sampling import SMOTE
# Run the prep_data function
X, y = ____(df)
# Define the resampling method
method = ____()
# Create the resampled feature set
X_resampled, y_resampled = method.____(____, ____)
# Plot the resampled data
plot_data(____, ____)