Tillämpa SMOTE

I den här övningen ska du balansera om vår data med hjälp av Synthetic Minority Over-sampling Technique (SMOTE). Till skillnad från ROS skapar SMOTE inte exakta kopior av observationer, utan genererar nya, syntetiska urval som liknar de befintliga observationerna i minoritetsklassen. SMOTE är därmed något mer sofistikerat än att bara kopiera observationer – låt oss tillämpa det på våra kreditkortsdata. Datamängden df finns tillgänglig och de paket du behöver för SMOTE är redan importerade. I nästa övning visualiserar du resultatet och jämför det med originaldata, så att du tydligt kan se effekten av att använda SMOTE.

Den här övningen är en del av kursen

Bedrägeridetektering i Python

Visa kurs

Övningsinstruktioner

Använd funktionen prep_data på df för att skapa särdrag X och etiketter y.
Definiera omsamplingsmetoden som SMOTE av standardtyp och tilldela den till variabeln method.
Använd .fit_resample() på de ursprungliga X och y för att få nyligen omsamplade data.
Rita den omsamplade datan med funktionen plot_data().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

from imblearn.over_sampling import SMOTE

# Run the prep_data function
X, y = ____(df)

# Define the resampling method
method = ____()

# Create the resampled feature set
X_resampled, y_resampled = method.____(____, ____)

# Plot the resampled data
plot_data(____, ____)

Redigera och kör kod