Logistisk regression
I den här sista lektionen ska du kombinera tre algoritmer i en modell med hjälp av VotingClassifier. Det låter oss dra nytta av de olika styrkorna hos samtliga modeller och förhoppningsvis förbättra den övergripande prestandan och upptäcka mer bedrägeri. Den första modellen, logistisk regression, har något högre recall-poäng än vår optimala slumpskogsmodell, men ger betydligt fler falska positiva. Du kommer även att lägga till ett beslutsträd med balanserade vikter. Datan är redan uppdelad i ett tränings- och ett testset, dvs. X_train, y_train, X_test, y_test är tillgängliga.
För att förstå hur VotingClassifier potentiellt kan förbättra din ursprungliga modell bör du först kontrollera resultaten för den logistiska regressionsmodellen på egen hand.
Den här övningen är en del av kursen
Bedrägeridetektering i Python
Övningsinstruktioner
- Definiera en LogisticRegression-modell med klassvikter i förhållandet 1:15 för bedrägerifallen.
- Träna modellen på träningssetet och hämta modellens prediktioner.
- Skriv ut klassificeringsrapporten och konfusionsmatrisen.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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)