SMOTE Uygulama

Bu egzersizde, verimizi Synthetic Minority Over-sampling Technique (SMOTE) kullanarak yeniden dengeleyeceksin. ROS'tan farklı olarak, SMOTE gözlemlerin birebir kopyalarını oluşturmaz; bunun yerine, azınlık sınıfındaki mevcut gözlemlere oldukça benzeyen yeni, sentetik örnekler üretir. Bu yüzden SMOTE, sadece kopyalama yapmaktan biraz daha gelişmiştir; hadi bunu kredi kartı verimize uygulayalım. df veri kümesi hazır ve SMOTE için gereken paketler içe aktarılmış durumda. Sonraki egzersizde, sonucu görselleştirip orijinal verilerle karşılaştıracak ve böylece SMOTE uygulamanın etkisini net biçimde göreceksin.

Bu egzersiz, kursun bir parçasıdır

Python ile Sahtekarlık Tespiti

Kursa Göz Atın

Egzersiz talimatları

df üzerinde prep_data fonksiyonunu kullanarak özellikler X ve etiketler y oluştur.
Yeniden örnekleme yöntemini, normal türde SMOTE olacak şekilde method değişkeni altında tanımla.
Yeni yeniden örneklenmiş veriyi elde etmek için orijinal X ve y üzerinde .fit_resample() kullan.
Yeniden örneklenmiş veriyi plot_data() fonksiyonunu kullanarak görselleştir.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

from imblearn.over_sampling import SMOTE

# Run the prep_data function
X, y = ____(df)

# Define the resampling method
method = ____()

# Create the resampled feature set
X_resampled, y_resampled = method.____(____, ____)

# Plot the resampled data
plot_data(____, ____)

Kodu Düzenle ve Çalıştır