Röstningsklassificerare
Nu ska du kombinera tre maskininlärningsmodeller till en för att förbättra vår tidigare Random Forest-modell för bedrägeridetektering. Du kombinerar den vanliga Random Forest-modellen med den logistiska regressionen från föregående övning och ett enkelt beslutsträd. Använd genvägen get_model_results() för att direkt se resultatet av ensemblemodellen.
Den här övningen är en del av kursen
Bedrägeridetektering i Python
Övningsinstruktioner
- Importera paketet för röstningsklassificeraren.
- Definiera de tre modellerna: använd den logistiska regressionen från tidigare, Random Forest från föregående övningar och ett beslutsträd med balanserade klassavvägningar.
- Definiera ensemblemodellen genom att ange de tre klassificerarna med respektive etiketter.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Import the package
from sklearn.ensemble import ____
# Define the three classifiers to use in the ensemble
clf1 = LogisticRegression(class_weight={0:1, 1:15}, random_state=5)
clf2 = ____(class_weight={0:1, 1:12}, criterion='gini', max_depth=8, max_features='log2',
min_samples_leaf=10, n_estimators=30, n_jobs=-1, random_state=5)
clf3 = DecisionTreeClassifier(random_state=5, class_weight="____")
# Combine the classifiers in the ensemble model
ensemble_model = ____(estimators=[('lr', ____), ('rf', ____), ('dt', ____)], voting='hard')
# Get the results
get_model_results(X_train, y_train, X_test, y_test, ensemble_model)