Random Forest'ı sahtekarlık tespiti için ayarlama
Bu egzersizde random forest sınıflandırıcısının seçeneklerine dalıyorsun; ormandaki karar ağaçlarının ağırlıklarını atayacak ve yapılarını ayarlayacaksın. Dengesizliği bir nebze telafi edebilmek için ağırlıkları elle tanımlayacaksın. Bizim örneğimizde 300 sahtekarlık ve 7000 sahtekarlık olmayan vaka var; ağırlık oranını 1:12 olarak ayarlayarak, yaklaşık 1/3 sahtekarlık ve 2/3 sahtekarlık olmayan bir orana geliyoruz; bu da modeli eğitmek için yeterince iyi.
Bu egzersizdeki veriler eğitim ve test olarak zaten ayrıldı, dolayısıyla sadece modelini tanımlamaya odaklanman yeterli. Ardından kısayol olarak get_model_results() fonksiyonunu kullanabilirsin. Bu fonksiyon modeli eğitim verine uydurur, tahmin yapar ve önceki egzersizlerdeki adımlara benzer şekilde performans metriklerini elde eder.
Bu egzersiz, kursun bir parçasıdır
Python ile Sahtekarlık Tespiti
Egzersiz talimatları
- Sahtekarlık olmayan ve sahtekarlık vakaları için oranı 1'e 12 olarak ayarlamak üzere
weightseçeneğini değiştir ve bölme ölçütünü 'entropy' yap. - Maksimum derinliği 10 olarak ayarla.
- Yaprak düğümlerdeki minimum örnek sayısını 10 olarak ayarla.
- Modelde kullanılacak ağaç sayısını 20 olarak ayarla.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Change the model options
model = RandomForestClassifier(bootstrap=True, class_weight={0:____, 1:____}, criterion='____',
# Change depth of model
max_depth=____,
# Change the number of samples in leaf nodes
min_samples_leaf=____,
# Change the number of trees to use
n_estimators=____, n_jobs=-1, random_state=5)
# Run the function get_model_results
get_model_results(X_train, y_train, X_test, y_test, model)