Regresja logistyczna
W tej ostatniej lekcji połączysz trzy algorytmy w jeden model za pomocą VotingClassifier. Dzięki temu możesz wykorzystać zalety każdego z modeli i – miejmy nadzieję – poprawić ogólną skuteczność wykrywania oszustw. Pierwszy model, regresja logistyczna, osiąga nieco wyższy wynik recall niż optymalny model Random Forest, ale generuje znacznie więcej wyników fałszywie pozytywnych. Dodasz do niego również drzewo decyzyjne z wyważonymi wagami klas. Dane są już podzielone na zbiór treningowy i testowy – dostępne są zmienne X_train, y_train, X_test i y_test.
Aby zrozumieć, w jaki sposób VotingClassifier może poprawić wyniki bazowego modelu, najpierw sprawdź samodzielne wyniki modelu regresji logistycznej.
To ćwiczenie jest częścią kursu
Wykrywanie oszustw w Pythonie
Instrukcje do ćwiczenia
- Zdefiniuj model LogisticRegression z wagami klas w stosunku 1:15 dla przypadków oszustwa.
- Dopasuj model do zbioru treningowego i uzyskaj prognozy modelu.
- Wyświetl raport klasyfikacji oraz macierz pomyłek.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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)