在 Voting Classifier 中調整權重
你剛剛看到，Voting Classifier 能透過結合多個模型的優點來提升詐欺偵測的表現。現在來嘗試調整各模型的權重。透過提高或降低權重，你可以控制某個模型相對於其他模型的重要性。當某個模型的整體表現優於其他模型，但你仍希望結合其他模型的特性以進一步改善結果時，這會特別實用。
在本練習中，資料已經分割為訓練集與測試集，並且 clf1、clf2 和 clf3 已依前述定義好，分別為 Logistic Regression、Random Forest 與 Decision Tree。
本練習屬於課程
Fraud Detection in Python
練習說明
- 定義一個集成方法，將第二個分類器（clf2）的權重設為 4，相對於其他分類器各為 1。
- 將模型套用在訓練與測試資料上，並從集成模型取得預測
predicted。 - 列印效能指標，這段程式碼已為你準備好，直接執行即可。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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)