Sprawdzanie wyników
W tym ćwiczeniu sprawdzisz wyniki modelu wykrywania oszustw DBSCAN. W praktyce często nie masz wiarygodnych etykiet – tutaj z pomocą przychodzi analityk ds. oszustw, który może zweryfikować rezultaty i ocenić, czy oflagowane przypadki rzeczywiście wyglądają podejrzanie. Możesz też sięgnąć do historycznie znanych przypadków oszustw i sprawdzić, czy twój model je wychwytuje.
W tym przypadku użyjesz etykiet oszustw, aby ocenić wyniki modelu. Numery przypisanych skupień są dostępne w pred_labels, a oryginalne etykiety oszustw – w labels.
To ćwiczenie jest częścią kursu
Wykrywanie oszustw w Pythonie
Instrukcje do ćwiczenia
- Utwórz ramkę danych łączącą numery skupień z rzeczywistymi etykietami. Ten krok został już wykonany za ciebie.
- Utwórz warunek, który oflaguje oszustwa dla trzech najmniejszych skupień: 21, 17 i 9.
- Utwórz crosstab z rzeczywistych etykiet oszustw i nowo utworzonych etykiet predykcji.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Create a dataframe of the predicted cluster numbers and fraud labels
df = pd.DataFrame({'clusternr':pred_labels,'fraud':labels})
# Create a condition flagging fraud for the smallest clusters
df['predicted_fraud'] = np.where((df['clusternr']==21)|(____)|(____),1 , 0)
# Run a crosstab on the results
print(pd.crosstab(df['fraud'], df['____'], rownames=['Actual Fraud'], colnames=['Flagged Fraud']))