Tecniche di ricampionamento
Nell’ultimo esercizio hai visto come lo sbilanciamento delle classi può influenzare i risultati della matrice di confusione. In questo esercizio metterai in pratica tecniche di ricampionamento per esplorare i diversi risultati che stili alternativi di ricampionamento possono produrre su un insieme di dati con classi sbilanciate come loan_data. Usando la funzione resample() di sklearn, allineare il numero di righe alla classe di maggioranza si chiama upsampling, mentre allinearlo alla classe di minoranza si chiama downsampling.
Creerai sia una versione upsampled sia una versione downsampled del dataset loan_data, applicherai una regressione logistica su entrambe e poi valuterai le prestazioni. I dati di training e le relative etichette corrispondenti a deny sono stati sottoindividuati per contenere solo la classe di minoranza e approve corrisponde alla maggioranza.
Un oggetto di test per il train/test split per effettuare le predizioni è stato salvato nello spazio di lavoro come X_test per il tuo utilizzo negli esercizi.
Questo esercizio fa parte del corso
Esercitarsi con le domande di colloquio di Machine Learning in Python
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# Upsample minority and combine with majority
loans_upsampled = ____(deny, replace=True, n_samples=len(____), random_state=123)
upsampled = pd.concat([approve, loans_upsampled])
# Downsample majority and combine with minority
loans_downsampled = ____(____, replace = False, n_samples = len(deny), random_state = 123)
downsampled = pd.concat([loans_downsampled, deny])