Kiểm tra kết quả
Trong bài tập này, bạn sẽ kiểm tra kết quả của mô hình phát hiện gian lận DBSCAN. Trên thực tế, bạn thường không có nhãn đáng tin cậy và đây là lúc chuyên viên phân tích gian lận có thể giúp bạn xác thực kết quả. Họ có thể xem kết quả của bạn và đánh giá liệu các trường hợp bạn gắn cờ có thực sự đáng ngờ hay không. Bạn cũng có thể kiểm tra các trường hợp gian lận đã biết trong lịch sử để xem mô hình có gắn cờ chúng hay không.
Trong trường hợp này, bạn sẽ dùng các nhãn gian lận để kiểm tra kết quả mô hình. Các số cụm dự đoán có trong pred_labels cũng như các nhãn gian lận gốc trong labels.
Bài tập này là một phần của khóa học
Phát hiện gian lận với Python
Hướng dẫn bài tập
- Tạo một dataframe kết hợp số cụm với các nhãn thực tế. Phần này đã được làm sẵn cho bạn.
- Tạo một điều kiện gắn cờ gian lận cho ba cụm nhỏ nhất: cụm 21, 17 và 9.
- Tạo một crosstab từ các nhãn gian lận thực tế với các nhãn gian lận dự đoán vừa tạo.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Create a dataframe of the predicted cluster numbers and fraud labels
df = pd.DataFrame({'clusternr':pred_labels,'fraud':labels})
# Create a condition flagging fraud for the smallest clusters
df['predicted_fraud'] = np.where((df['clusternr']==21)|(____)|(____),1 , 0)
# Run a crosstab on the results
print(pd.crosstab(df['fraud'], df['____'], rownames=['Actual Fraud'], colnames=['Flagged Fraud']))