Klasyfikator głosujący
Teraz połączmy trzy modele uczenia maszynowego w jeden, aby ulepszyć nasz wcześniejszy model wykrywania oszustw oparty na Random Forest. Połączysz go z regresją logistyczną z poprzedniego ćwiczenia oraz prostym drzewem decyzyjnym. Możesz użyć skrótu get_model_results(), aby od razu zobaczyć wynik modelu zespołowego.
To ćwiczenie jest częścią kursu
Wykrywanie oszustw w Pythonie
Instrukcje do ćwiczenia
- Zaimportuj pakiet Voting Classifier.
- Zdefiniuj trzy modele: użyj regresji logistycznej z poprzedniego ćwiczenia, Random Forest z wcześniejszych ćwiczeń oraz drzewa decyzyjnego z wyważonymi wagami klas.
- Zdefiniuj model zespołowy, podając trzy klasyfikatory wraz z odpowiadającymi im etykietami.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import the package
from sklearn.ensemble import ____
# Define the three classifiers to use in the ensemble
clf1 = LogisticRegression(class_weight={0:1, 1:15}, random_state=5)
clf2 = ____(class_weight={0:1, 1:12}, criterion='gini', max_depth=8, max_features='log2',
min_samples_leaf=10, n_estimators=30, n_jobs=-1, random_state=5)
clf3 = DecisionTreeClassifier(random_state=5, class_weight="____")
# Combine the classifiers in the ensemble model
ensemble_model = ____(estimators=[('lr', ____), ('rf', ____), ('dt', ____)], voting='hard')
# Get the results
get_model_results(X_train, y_train, X_test, y_test, ensemble_model)