Ajuste pesos no Voting Classifier
Você acabou de ver que o Voting Classifier permite melhorar o desempenho na detecção de fraudes combinando bons aspectos de vários modelos. Agora, vamos ajustar os pesos que damos a esses modelos. Ao aumentar ou diminuir os pesos, você pode controlar quanto destaque dá a um modelo específico em relação aos demais. Isso é útil quando um modelo tem desempenho geral melhor que os outros, mas você ainda quer combinar características dos demais para melhorar ainda mais seus resultados.
Neste exercício, os dados já estão divididos em conjuntos de treino e teste, e clf1, clf2 e clf3 estão disponíveis e definidos como antes, ou seja, eles são, respectivamente, a Regressão Logística, o modelo de Random Forest e a Árvore de Decisão.
Este exercício faz parte do curso
Detecção de Fraudes em Python
Instruções do exercício
- Defina um método de ensemble em que você dê peso maior ao segundo classificador (clf2), com proporção de 4 para 1 em relação aos demais classificadores.
- Ajuste o modelo nos conjuntos de treino e teste e obtenha as previsões
predicteddo modelo de ensemble. - Imprima as métricas de desempenho; isso já está pronto para você executar.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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)