Kontrollera resultaten
I den här övningen ska du kontrollera resultaten från din DBSCAN-modell för bedrägeridetektering. I praktiken har du ofta inte tillförlitliga etiketter, och det är här en bedrägeриanalytiker kan hjälpa dig att validera resultaten. Analytikern kan granska dina resultat och bedöma om de fall du flaggat verkligen är misstänkta. Du kan också kontrollera historiskt kända bedrägerifall för att se om din modell flaggar dem.
I det här fallet ska du använda bedrägerietiketterna för att utvärdera modellresultaten. De predikterade klusternumren finns tillgängliga i pred_labels, liksom de ursprungliga bedrägerietiketterna labels.
Den här övningen är en del av kursen
Bedrägeridetektering i Python
Övningsinstruktioner
- Skapa en dataram som kombinerar klusternumren med de faktiska etiketterna. Det här steget är redan gjort åt dig.
- Skapa ett villkor som flaggar bedrägeri för de tre minsta klusterna: kluster 21, 17 och 9.
- Skapa en korstabellen från de faktiska bedrägerietiketterna och de nyligen skapade prediktionsetiketterna.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Create a dataframe of the predicted cluster numbers and fraud labels
df = pd.DataFrame({'clusternr':pred_labels,'fraud':labels})
# Create a condition flagging fraud for the smallest clusters
df['predicted_fraud'] = np.where((df['clusternr']==21)|(____)|(____),1 , 0)
# Run a crosstab on the results
print(pd.crosstab(df['fraud'], df['____'], rownames=['Actual Fraud'], colnames=['Flagged Fraud']))