Sonuçları kontrol etme
Bu egzersizde DBSCAN ile yaptığın sahtekarlık tespiti modelinin sonuçlarını kontrol edeceksin. Gerçekte, çoğu zaman güvenilir etiketler elinde olmaz ve burada bir fraud analisti sonuçlarını doğrulamanda sana yardımcı olabilir. Analist, işaretlediğin vakaların gerçekten şüpheli olup olmadığını inceleyebilir. Ayrıca geçmişte bilinen sahtekarlık vakalarını da kontrol edip modelinin bunları yakalayıp yakalamadığını görebilirsin.
Bu senaryoda, model sonuçlarını kontrol etmek için sahtekarlık etiketlerini kullanacaksın. Tahmin edilen küme numaraları pred_labels altında, orijinal sahtekarlık etiketleri ise labels altında mevcut.
Bu egzersiz, kursun bir parçasıdır
Python ile Sahtekarlık Tespiti
Egzersiz talimatları
- Küme numaralarını gerçek etiketlerle birleştiren bir veri çerçevesi oluştur. Bu senin için yapıldı.
- Üç en küçük küme için sahtekarlığı işaretleyen bir koşul oluştur: kümeler 21, 17 ve 9.
- Gerçek sahtekarlık etiketlerini, yeni oluşturduğun tahmin edilen sahtekarlık etiketleriyle kullanarak bir çapraz tablo oluştur.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Create a dataframe of the predicted cluster numbers and fraud labels
df = pd.DataFrame({'clusternr':pred_labels,'fraud':labels})
# Create a condition flagging fraud for the smallest clusters
df['predicted_fraud'] = np.where((df['clusternr']==21)|(____)|(____),1 , 0)
# Run a crosstab on the results
print(pd.crosstab(df['fraud'], df['____'], rownames=['Actual Fraud'], colnames=['Flagged Fraud']))