Doğal isabet oranı
Bu egzersizde yine kredi kartı işlem verilerini kullanacaksın. Özellikler ve etiketler, önceki bölümdeki verilerle benzer ve veri ciddi şekilde dengesiz. Çalışman için sana zaten özellikler X ve etiketler y verildi; her ikisi de NumPy dizileri.
Öncelikle, veri kümesinde dolandırıcılığın ne kadar yaygın olduğunu keşfetmen gerekiyor; böylece her şeyi dolandırıcılık değilmiş gibi tahmin etseydik "doğal doğruluk" ne olurdu anlayabilirsin. Hiçbir şey yapmadan elde edilecek bu "doğruluk" seviyesini aşman gerektiğini bilmek önemlidir. Sonraki egzersizlerde, dolandırıcılık tespiti için ilk random forest sınıflandırıcını oluşturacaksın. Bu, ilerleyen egzersizlerde geliştirmeye çalışacağın "temel" model olacak.
Bu egzersiz, kursun bir parçasıdır
Python ile Sahtekarlık Tespiti
Egzersiz talimatları
- Etiketlerin
y'nin uzunluğunu alarak toplam gözlem sayısını say. - Verimizdeki dolandırıcılık olmayan vakaları
yüzerinde liste üreteci kullanarak say; unutma,ybir NumPy dizisi olduğundan bu durumda.value_counts()kullanılamaz. - Doğal doğruluğu, dolandırıcılık olmayan vakaları toplam gözlem sayısına bölerek hesapla.
- Yüzdeyi yazdır.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Count the total number of observations from the length of y
total_obs = ____
# Count the total number of non-fraudulent observations
non_fraud = [i for ____ ____ ____ if i == 0]
count_non_fraud = non_fraud.count(0)
# Calculate the percentage of non fraud observations in the dataset
percentage = (float(____)/float(____)) * 100
# Print the percentage: this is our "natural accuracy" by doing nothing
____(____)