Random Forest Classifier – część 1
Czas zbudować pierwszy klasyfikator Random Forest do wykrywania oszustw. Sprawdź, czy uda ci się osiągnąć lepszy wynik niż bazowa dokładność, którą przed chwilą obliczyłeś – wyniosła ona około 96%. Ten model posłuży jako model bazowy, który będziesz poprawiać w kolejnych ćwiczeniach. Zacznij od podziału danych na zbiór treningowy i testowy oraz zdefiniowania modelu Random Forest. Dostępne dane to cechy X i etykiety y.
To ćwiczenie jest częścią kursu
Wykrywanie oszustw w Pythonie
Instrukcje do ćwiczenia
- Zaimportuj klasyfikator Random Forest z biblioteki
sklearn. - Podziel cechy
Xi etykietyyna zbiór treningowy i testowy. Wydziel 30% danych jako zbiór testowy. - Przypisz klasyfikator Random Forest do zmiennej
modeli zachowaj wartośćrandom_staterówną 5. Ustawienie stałego stanu losowego pozwoli porównywać wyniki różnych modeli.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import the random forest model from sklearn
from sklearn.ensemble import ____
# Split your data into training and test set
X_train, X_test, y_train, y_test = ____(____, ____, test_size=____, random_state=0)
# Define the model as the random forest
model = ____(random_state=5)