Налаштування моделі

Простий спосіб підлаштувати модель Random Forest до сильно незбалансованих даних про шахрайство — використати параметр class_weights під час визначення моделі sklearn. Однак, як ви побачите, це доволі грубий механізм і може не спрацювати у вашому специфічному випадку.

У цій вправі ви дослідите режим weight = "balanced_subsample" у моделі Random Forest з попередньої вправи. Ви вже розбили дані на тренувальну й тестову вибірки, тобто доступні X_train, X_test, y_train, y_test. Функції для обчислення метрик уже імпортовано.

Ця вправа є частиною курсу

Виявлення шахрайства в Python

Переглянути курс

Інструкції до вправи

Встановіть аргумент class_weight вашого класифікатора на balanced_subsample.
Натренуйте модель на тренувальній вибірці.
Отримайте передбачення та ймовірності з X_test.
Обчисліть roc_auc_score, звіт класифікації та матрицю помилок.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Define the model with balanced subsample
model = RandomForestClassifier(class_weight='____', random_state=5)

# Fit your training model to your training set
model.fit(____, ____)

# Obtain the predicted values and probabilities from the model 
predicted = ____.____(____)
probs = ____.____(____)

# Print the roc_auc_score, the classification report and confusion matrix
print(____(____, ____))
print(____(____, ____))
print(____(____, ____))

Редагувати та запускати код