ロジスティック回帰
この最後のレッスンでは、VotingClassifier を使って 3 つのアルゴリズムを組み合わせた モデルを作成します。これにより各モデルの強みを活かし、全体のパフォーマンスを高めて不正検知数の向上を目指します。最初のモデルであるロジスティック回帰は、最適なランダムフォレストモデルよりわずかに再現率が高い一方、偽陽性が多くなります。さらに、クラス重みをバランスさせた決定木も加えます。データはすでに学習用とテスト用に分割されており、X_train、y_train、X_test、y_test が利用できます。
Voting Classifier が元のモデルをどのように改善できるかを理解するために、まずはロジスティック回帰モデル単体の結果を確認しましょう。
この演習はコースの一部です
Pythonで学ぶ不正検知
演習の手順
- 不正クラスに対して 1:15 のクラス重みを持つ LogisticRegression モデルを定義します。
- モデルを学習データにフィットし、予測値を取得します。
- classification report と confusion matrix を出力します。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# 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)