Regressione logistica
In quest’ultima lezione combinerai tre algoritmi in un unico modello con il VotingClassifier. Questo ci permette di sfruttare i punti di forza di tutti i modelli e, si spera, migliorare le prestazioni complessive e rilevare più frodi. Il primo modello, la Regressione Logistica, ha un punteggio di recall leggermente più alto rispetto al nostro modello Random Forest ottimale, ma genera molti più falsi positivi. A questo aggiungerai anche un Decision Tree con pesi bilanciati. I dati sono già divisi in training set e test set, cioè X_train, y_train, X_test, y_test sono disponibili.
Per capire come il Voting Classifier possa potenzialmente migliorare il tuo modello originale, dovresti prima verificare i risultati standalone del modello di Regressione Logistica.
Questo esercizio fa parte del corso
Rilevamento delle frodi in Python
Istruzioni dell'esercizio
- Definisci un modello LogisticRegression con pesi di classe pari a 1:15 per i casi di frode.
- Allena il modello sul training set e ottieni le predizioni del modello.
- Stampa il classification report e la confusion matrix.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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)