Voting Classifier

ลองมารวมโมเดล machine learning สามตัวเข้าด้วยกันเพื่อพัฒนาโมเดลตรวจจับการฉ้อโกงแบบ Random Forest ที่ผ่านมา โดยนำ Random Forest มารวมกับ Logistic Regression จากแบบฝึกหัดก่อนหน้า และ Decision Tree แบบเรียบง่าย สามารถใช้ get_model_results() เพื่อดูผลลัพธ์ของโมเดล ensemble ได้ทันที

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การตรวจจับการฉ้อโกงด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

นำเข้าแพ็กเกจ Voting Classifier
กำหนดโมเดลทั้งสามตัว ได้แก่ Logistic Regression จากแบบฝึกหัดก่อนหน้า, Random Forest จากแบบฝึกหัดที่ผ่านมา และ Decision Tree ที่มีการปรับ class weight ให้สมดุล
กำหนดโมเดล ensemble โดยใส่ตัวจำแนกทั้งสามตัวพร้อมป้ายกำกับของแต่ละตัว

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Import the package
from sklearn.ensemble import ____

# Define the three classifiers to use in the ensemble
clf1 = LogisticRegression(class_weight={0:1, 1:15}, random_state=5)
clf2 = ____(class_weight={0:1, 1:12}, criterion='gini', max_depth=8, max_features='log2',
            min_samples_leaf=10, n_estimators=30, n_jobs=-1, random_state=5)
clf3 = DecisionTreeClassifier(random_state=5, class_weight="____")

# Combine the classifiers in the ensemble model
ensemble_model = ____(estimators=[('lr', ____), ('rf', ____), ('dt', ____)], voting='hard')

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

แก้ไขและรันโค้ด