Использование пайплайна
Теперь, когда пайплайн определён — то есть логистическая регрессия объединена с методом SMOTE, — давайте запустим его на данных. Пайплайн можно использовать так же, как единую модель машинного обучения. Данные X и y уже заданы, а пайплайн определён в предыдущем упражнении. Хотите узнать, каковы результаты модели? Давайте попробуем!
Это упражнение является частью курса
Обнаружение мошенничества на Python
Инструкции к упражнению
- Разделите данные
Xиyна обучающую и тестовую выборки. Выделите 30% данных для тестовой выборки и установитеrandom_stateравным нулю. - Обучите пайплайн на обучающих данных и получите предсказания, запустив функцию
pipeline.predict()на наборе данныхX_test.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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)