เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

Logistic Regression

ในบทเรียนสุดท้ายนี้ คุณจะรวมสามอัลกอริทึมเข้าด้วยกันเป็นโมเดลเดียวด้วย VotingClassifier ซึ่งช่วยให้เราได้ประโยชน์จากจุดแข็งของแต่ละโมเดล และอาจช่วยเพิ่มประสิทธิภาพโดยรวมในการตรวจจับการฉ้อโกงได้มากขึ้น โมเดลแรก คือ Logistic Regression มีค่า recall สูงกว่า Random Forest ที่เหมาะสมที่สุดเล็กน้อย แต่ให้ผลบวกลวง (false positives) มากกว่า นอกจากนี้ยังจะเพิ่ม Decision Tree ที่ใช้น้ำหนักแบบ balanced เข้าไปด้วย ข้อมูลถูกแบ่งเป็นชุดฝึกและชุดทดสอบแล้ว ได้แก่ X_train, y_train, X_test, y_test

ก่อนจะดูว่า Voting Classifier ช่วยปรับปรุงโมเดลเดิมได้อย่างไร ให้ตรวจสอบผลลัพธ์ของโมเดล Logistic Regression แบบเดี่ยวก่อน

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การตรวจจับการฉ้อโกงด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • กำหนดโมเดล LogisticRegression โดยให้น้ำหนักคลาสสำหรับกรณีฉ้อโกงอยู่ที่อัตราส่วน 1:15
  • ฝึกโมเดลกับชุดข้อมูลฝึก แล้วรับค่าพยากรณ์จากโมเดล
  • แสดงผล classification report และ confusion matrix

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Define the Logistic Regression model with weights
model = ____(____={____, ____}, random_state=5)

# Get the model results
get_model_results(X_train, y_train, X_test, y_test, model)
แก้ไขและรันโค้ด