Använd maskininlärningsklassificering för att upptäcka bedrägerier
I den här övningen får du se vad som händer när du använder en enkel maskininlärningsmodell på våra kreditkortsdata i stället.
Tror du att du kan slå de tidigare resultaten? Kom ihåg att du förutsade 22 av 50 bedrägerier och hade 16 falska positiva.
Med det i åtanke ska vi nu implementera en logistisk regression. Om du har gått kursen om övervakad inlärning i Python känner du redan till den här modellen. Annars kan det vara värt att fräscha upp kunskaperna nu. Men oroa dig inte – du guidas genom strukturen för maskininlärningsmodellen.
Variablerna X och y finns tillgängliga i din arbetsmiljö.
Den här övningen är en del av kursen
Bedrägeridetektering i Python
Övningsinstruktioner
- Dela upp
Xochyi tränings- och testdata, och behåll 30 % av datan för testning. - Träna modellen på din träningsdata.
- Hämta modellens predikterade etiketter genom att köra
model.predictpåX_test. - Skapa en klassificeringsrapport som jämför
y_testmedpredicted, och använd den givna förvirringsmatrisen för att kontrollera dina resultat.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Create the training and testing sets
X_train, X_test, y_train, y_test = train_test_split(____, ____, test_size=____, random_state=0)
# Fit a logistic regression model to our data
model = LogisticRegression()
model.fit(____, ____)
# Obtain model predictions
predicted = model.predict(____)
# Print the classifcation report and confusion matrix
print('Classification report:\n', classification_report(____, ____))
conf_mat = confusion_matrix(y_true=y_test, y_pred=predicted)
print('Confusion matrix:\n', conf_mat)