Korzystanie z potoku

Masz już zdefiniowany potok, czyli połączenie regresji logistycznej z metodą SMOTE – czas uruchomić go na danych. Możesz traktować potok jak pojedynczy model uczenia maszynowego. Dane X i y są już zdefiniowane, a potok pochodzi z poprzedniego ćwiczenia. Ciekawi cię, jakie wyniki osiągnie model? Sprawdź to!

To ćwiczenie jest częścią kursu

Wykrywanie oszustw w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Podziel dane X i y na zbiór treningowy i testowy. Przeznacz 30% danych na zbiór testowy i ustaw random_state na zero.
Dopasuj potok do danych treningowych, a następnie uzyskaj predykcje, uruchamiając funkcję pipeline.predict() na zbiorze X_test.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Split your data X and y, into a training and a test set and fit the pipeline onto the training data
X_train, X_test, y_train, y_test = ____

# Fit your pipeline onto your training set and obtain predictions by fitting the model onto the test data 
pipeline.fit(____, ____) 
predicted = pipeline.____(____)

# Obtain the results from the classification report and confusion matrix 
print('Classifcation report:\n', classification_report(y_test, predicted))
conf_mat = confusion_matrix(y_true=y_test, y_pred=predicted)
print('Confusion matrix:\n', conf_mat)

Edytuj i uruchom kod