Обнаружение мошенничества с помощью классификации ML
В этом упражнении вы увидите, что произойдёт, если применить простую модель машинного обучения к данным о кредитных картах.
Как вы думаете, удастся ли вам улучшить результат? Напомним: ранее вы правильно определили 22 из 50 случаев мошенничества и получили 16 ложных срабатываний.
Имея это в виду, давайте реализуем модель логистической регрессии (Logistic Regression). Если вы уже проходили курс по обучению с учителем на Python, эта модель вам знакома. Если нет — не переживайте: мы шаг за шагом проведём вас через структуру модели.
Переменные X и y уже доступны в вашем рабочем пространстве.
Это упражнение является частью курса
Обнаружение мошенничества на Python
Инструкции к упражнению
- Разбейте
Xиyна обучающую и тестовую выборки, оставив 30% данных для тестирования. - Обучите модель на обучающей выборке.
- Получите предсказанные метки, применив
model.predictкX_test. - Сформируйте отчёт о классификации, сравнив
y_testсpredicted, и проверьте результаты с помощью матрицы ошибок.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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)