Bir pipeline kullanma
Artık pipeline'ımız tanımlandığına göre, yani lojistik regresyonu SMOTE yöntemiyle birleştirdiğimize göre, bunu veri üzerinde çalıştıralım. Pipeline'ı sanki tek bir Machine Learning modeliymiş gibi ele alabilirsin. Verilerimiz X ve y zaten tanımlı ve pipeline önceki egzersizde oluşturuldu. Model sonuçlarını merak ediyor musun? Hadi deneyelim!
Bu egzersiz, kursun bir parçasıdır
Python ile Sahtekarlık Tespiti
Egzersiz talimatları
- 'X' ve 'y' verilerini eğitim ve test kümelerine ayır. Verinin %30'unu test kümesi olarak ayır ve
random_statedeğerini sıfır yap. - Pipeline'ını eğitim verisine uydur ve
pipeline.predict()fonksiyonunuX_testveri kümesi üzerinde çalıştırarak tahminleri elde et.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Split your data X and y, into a training and a test set and fit the pipeline onto the training data
X_train, X_test, y_train, y_test = ____
# Fit your pipeline onto your training set and obtain predictions by fitting the model onto the test data
pipeline.fit(____, ____)
predicted = pipeline.____(____)
# Obtain the results from the classification report and confusion matrix
print('Classifcation report:\n', classification_report(y_test, predicted))
conf_mat = confusion_matrix(y_true=y_test, y_pred=predicted)
print('Confusion matrix:\n', conf_mat)