Налаштування ваг у Voting Classifier
Ви щойно побачили, що Voting Classifier дає змогу підвищити якість виявлення шахрайства, поєднуючи сильні сторони кількох моделей. Тепер спробуймо налаштувати ваги, які ми надаємо цим моделям. Збільшуючи або зменшуючи ваги, ви можете керувати тим, який акцент робити на конкретній моделі порівняно з іншими. Це корисно, коли певна модель загалом показує кращі результати, але ви все ж хочете поєднати аспекти інших, щоб додатково поліпшити підсумкові показники.
У цій вправі дані вже розділено на тренувальну й тестову вибірки, а clf1, clf2 та clf3 доступні й визначені так само, як раніше, тобто це Logistic Regression, модель Random Forest і Decision Tree відповідно.
Ця вправа є частиною курсу
Виявлення шахрайства в Python
Інструкції до вправи
- Визначте ансамблевий метод, у якому друга модель-класифікатор (clf2) має завищену вагу 4 проти 1 порівняно з іншими класифікаторами.
- Навчіть модель на тренувальній і тестовій вибірках та отримайте передбачення
predictedз ансамблевої моделі. - Виведіть метрики якості — усе вже підготовлено, просто запустіть.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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)