Voting Classifier içinde ağırlıkları ayarla
Voting Classifier'ın, birden fazla modelin iyi yönlerini birleştirerek sahtekarlık tespit performansını artırmana izin verdiğini az önce gördün. Şimdi bu modellere verdiğimiz ağırlıkları ayarlamayı deneyelim. Ağırlıkları artırıp azaltarak, diğerlerine kıyasla belirli bir modele ne kadar vurgu yaptığını kontrol edebilirsin. Bu, bir model genel olarak diğerlerinden daha iyi performans gösterdiğinde ama sonuçlarını daha da iyileştirmek için diğerlerinin bazı yönlerini de katmak istediğinde işine yarar.
Bu egzersizde veriler eğitim ve test kümelerine zaten bölünmüş durumda ve clf1, clf2 ve clf3 daha önceki gibi tanımlı: sırasıyla Logistic Regression, Random Forest ve Decision Tree modelleri.
Bu egzersiz, kursun bir parçasıdır
Python ile Sahtekarlık Tespiti
Egzersiz talimatları
- İkinci sınıflandırıcıyı (clf2) diğerlerine göre 4'e 1 oranında daha fazla ağırlıklandırdığın bir ansambl yöntemi tanımla.
- Modeli eğitim ve test kümelerine uygula ve ansambl modelinden
predictedtahminlerini elde et. - Performans metriklerini yazdır; bu kısım çalıştırmaya hazır.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Define the ensemble model
ensemble_model = ____(estimators=[('lr', clf1), ('rf', clf2), ('gnb', clf3)], voting='soft', weights=[____, ____, ____], flatten_transform=True)
# Get results
get_model_results(X_train, y_train, X_test, y_test, ensemble_model)