Використання класифікації ML для виявлення шахрайства
У цій вправі ви побачите, що відбувається, коли замість цього використати просту модель машинного навчання для наших даних кредитних карток.
Гадаєте, зможете перевершити ті результати? Нагадаємо: ви передбачили 22 з 50 випадків шахрайства та мали 16 хибних спрацьовувань.
З огляду на це, реалізуймо модель Logistic Regression. Якщо ви проходили курс із контрольованого навчання в Python, то маєте бути знайомі з цією моделлю. Якщо ні, радимо освіжити ці знання. Та не хвилюйтеся — ми крок за кроком проведемо вас крізь структуру моделі машинного навчання.
Змінні X і y доступні у вашому робочому середовищі.
Ця вправа є частиною курсу
Виявлення шахрайства в Python
Інструкції до вправи
- Розбийте
Xіyна тренувальні та тестові дані, залишивши 30% даних для тестування. - Навчіть модель на тренувальних даних.
- Отримайте передбачені мітки моделі, виконавши
model.predictдляX_test. - Зіставте
y_testізpredicted, щоб отримати звіт про класифікацію, і скористайтеся поданою матрицею неточностей, щоб перевірити результати.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Create the training and testing sets
X_train, X_test, y_train, y_test = train_test_split(____, ____, test_size=____, random_state=0)
# Fit a logistic regression model to our data
model = LogisticRegression()
model.fit(____, ____)
# Obtain model predictions
predicted = model.predict(____)
# Print the classifcation report and confusion matrix
print('Classification report:\n', classification_report(____, ____))
conf_mat = confusion_matrix(y_true=y_test, y_pred=predicted)
print('Confusion matrix:\n', conf_mat)