Логистическая регрессия
В этом последнем уроке вы объедините три алгоритма в одну модель с помощью VotingClassifier. Это позволит использовать сильные стороны каждой модели и, как ожидается, улучшить общую производительность и повысить точность обнаружения мошенничества. Первая модель — логистическая регрессия — имеет чуть более высокий показатель полноты, чем оптимальная модель случайного леса, однако даёт значительно больше ложноположительных срабатываний. Вы также добавите к ней дерево решений со сбалансированными весами. Данные уже разделены на обучающую и тестовую выборки: переменные X_train, y_train, X_test, y_test доступны для работы.
Чтобы понять, как VotingClassifier может улучшить исходную модель, сначала оцените результаты логистической регрессии как самостоятельной модели.
Это упражнение является частью курса
Обнаружение мошенничества на Python
Инструкции к упражнению
- Определите модель LogisticRegression с весами классов в соотношении 1:15 для случаев мошенничества.
- Обучите модель на обучающей выборке и получите прогнозы модели.
- Выведите отчёт о классификации и матрицу ошибок.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Define the Logistic Regression model with weights
model = ____(____={____, ____}, random_state=5)
# Get the model results
get_model_results(X_train, y_train, X_test, y_test, model)