เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การนำ SMOTE ไปใช้งาน

ในแบบฝึกหัดนี้ เราจะปรับสมดุลข้อมูลโดยใช้เทคนิค Synthetic Minority Over-sampling Technique (SMOTE) ซึ่งต่างจาก ROS ตรงที่ SMOTE ไม่ได้สร้างสำเนาของข้อมูลเดิมทุกประการ แต่จะสร้างตัวอย่างข้อมูลสังเคราะห์ใหม่ที่มีลักษณะคล้ายกับข้อมูลที่มีอยู่ในคลาสส่วนน้อย SMOTE จึงมีความซับซ้อนกว่าการคัดลอกข้อมูลธรรมดา มาลองนำ SMOTE ไปใช้กับข้อมูลบัตรเครดิตของเรากัน ชุดข้อมูล df พร้อมใช้งานแล้ว และแพ็กเกจที่จำเป็นสำหรับ SMOTE ได้ถูก import ไว้เรียบร้อยแล้ว ในแบบฝึกหัดถัดไป เราจะแสดงผลลัพธ์และเปรียบเทียบกับข้อมูลเดิม เพื่อให้เห็นผลของการใช้ SMOTE ได้อย่างชัดเจน

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การตรวจจับการฉ้อโกงด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • ใช้ฟังก์ชัน prep_data กับ df เพื่อสร้าง features X และ labels y
  • กำหนดวิธีการ resampling เป็น SMOTE แบบปกติ โดยเก็บไว้ในตัวแปร method
  • ใช้ .fit_resample() กับ X และ y เดิม เพื่อให้ได้ข้อมูลที่ resample ใหม่
  • พล็อตข้อมูลที่ resample แล้วโดยใช้ฟังก์ชัน plot_data()

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

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(____, ____)
แก้ไขและรันโค้ด