Använda en pipeline
Nu när du har definierat din pipeline – det vill säga kombinerat en logistisk regression med en SMOTE-metod – är det dags att köra den på datan. Du kan behandla pipelinen som om den vore en enskild maskininlärningsmodell. Datan X och y är redan definierade, och pipelinen är definierad i föregående övning. Är du nyfiken på vad modellen ger för resultat? Låt oss prova!
Den här övningen är en del av kursen
Bedrägeridetektering i Python
Övningsinstruktioner
- Dela upp datan
Xochyi ett tränings- och testset. Avsätt 30 % av datan för testset och sättrandom_statetill noll. - Anpassa din pipeline till träningsdatan och hämta förutsägelserna genom att köra funktionen
pipeline.predict()på datamängdenX_test.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Split your data X and y, into a training and a test set and fit the pipeline onto the training data
X_train, X_test, y_train, y_test = ____
# Fit your pipeline onto your training set and obtain predictions by fitting the model onto the test data
pipeline.fit(____, ____)
predicted = pipeline.____(____)
# Obtain the results from the classification report and confusion matrix
print('Classifcation report:\n', classification_report(y_test, predicted))
conf_mat = confusion_matrix(y_true=y_test, y_pred=predicted)
print('Confusion matrix:\n', conf_mat)