Dostosowywanie wag w klasyfikatorze głosującym
Właśnie zobaczyłeś, że klasyfikator głosujący (Voting Classifier) pozwala poprawić skuteczność wykrywania oszustw, łącząc mocne strony kilku modeli. Teraz spróbujmy dostosować wagi przypisane poszczególnym modelom. Zwiększając lub zmniejszając wagi, możesz kontrolować, jak duże znaczenie nadajesz konkretnemu modelowi w porównaniu z pozostałymi. Przydaje się to wtedy, gdy jeden z modeli osiąga ogólnie lepsze wyniki, ale nadal chcesz uwzględnić aspekty pozostałych, aby jeszcze bardziej poprawić rezultaty.
W tym ćwiczeniu dane są już podzielone na zbiór treningowy i testowy, a clf1, clf2 i clf3 są dostępne i zdefiniowane jak poprzednio – odpowiadają kolejno regresji logistycznej, modelowi lasów losowych i drzewu decyzyjnemu.
To ćwiczenie jest częścią kursu
Wykrywanie oszustw w Pythonie
Instrukcje do ćwiczenia
- Zdefiniuj metodę zespołową, w której drugi klasyfikator (
clf2) ma wagę 4-krotnie większą od pozostałych klasyfikatorów. - Dopasuj model do zbioru treningowego i testowego, a następnie uzyskaj predykcje
predictedz modelu zespołowego. - Wyświetl metryki wydajności – ten fragment kodu jest już gotowy do uruchomienia.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Define the ensemble model
ensemble_model = ____(estimators=[('lr', clf1), ('rf', clf2), ('gnb', clf3)], voting='soft', weights=[____, ____, ____], flatten_transform=True)
# Get results
get_model_results(X_train, y_train, X_test, y_test, ensemble_model)