Wykrywanie oszustw za pomocą klasyfikacji ML
W tym ćwiczeniu sprawdzisz, co się stanie, gdy zamiast poprzedniego podejścia zastosujesz prosty model uczenia maszynowego na danych o kartach kredytowych.
Czy uda ci się pobić poprzedni wynik? Przypomnij sobie: wcześniej wykryto 22 z 50 przypadków oszustwa i pojawiło się 16 fałszywych alarmów.
Mając to na uwadze, zaimplementujemy model Regresji logistycznej. Jeśli przerabiałeś(-aś) kurs uczenia nadzorowanego w Pythonie, powinieneś(-nnaś) już znać ten model. Jeśli nie – warto odświeżyć tę wiedzę, ale nie przejmuj się: przeprowadzimy cię krok po kroku przez strukturę modelu uczenia maszynowego.
Zmienne X i y są już dostępne w twoim środowisku.
To ćwiczenie jest częścią kursu
Wykrywanie oszustw w Pythonie
Instrukcje do ćwiczenia
- Podziel
Xiyna dane treningowe i testowe, przeznaczając 30% danych do testowania. - Dopasuj model do danych treningowych.
- Uzyskaj etykiety przewidywane przez model, uruchamiając
model.predictnaX_test. - Uzyskaj raport klasyfikacji, porównując
y_testzpredicted, i sprawdź wyniki za pomocą podanej macierzy pomyłek.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Create the training and testing sets
X_train, X_test, y_train, y_test = train_test_split(____, ____, test_size=____, random_state=0)
# Fit a logistic regression model to our data
model = LogisticRegression()
model.fit(____, ____)
# Obtain model predictions
predicted = model.predict(____)
# Print the classifcation report and confusion matrix
print('Classification report:\n', classification_report(____, ____))
conf_mat = confusion_matrix(y_true=y_test, y_pred=predicted)
print('Confusion matrix:\n', conf_mat)