Justera vikter i Voting Classifier
Du har precis sett hur Voting Classifier kan förbättra bedrägeridetektionen genom att kombinera styrkorna från flera modeller. Nu ska vi justera vikterna vi tilldelar dessa modeller. Genom att öka eller minska vikterna kan du styra hur stor vikt du lägger vid en viss modell i förhållande till de övriga. Det är användbart när en modell generellt presterar bättre än de andra, men du ändå vill dra nytta av de övriga för att förbättra resultaten ytterligare.
I den här övningen är data redan uppdelad i en tränings- och testmängd, och clf1, clf2 och clf3 är tillgängliga och definierade som tidigare – det vill säga logistisk regression, Random Forest-modellen respektive beslutsträdet.
Den här övningen är en del av kursen
Bedrägeridetektering i Python
Övningsinstruktioner
- Definiera en ensemblemetod där du ger den andra klassificeraren (clf2) fyra gånger så hög vikt som de övriga klassificerarna.
- Träna modellen på tränings- och testmängden och hämta förutsägelserna
predictedfrån ensemblemodellen. - Skriv ut prestandamåtten – den koden är redan förberedd för dig att köra.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Define the ensemble model
ensemble_model = ____(estimators=[('lr', clf1), ('rf', clf2), ('gnb', clf3)], voting='soft', weights=[____, ____, ____], flatten_transform=True)
# Get results
get_model_results(X_train, y_train, X_test, y_test, ensemble_model)