檢查結果
在這個練習中，你要檢查 DBSCAN 詐欺偵測模型的結果。在實務上，你往往沒有可靠的標籤，這時候詐欺分析師可以協助你驗證結果。他／她可以檢視你的輸出，判斷你標記的案例是否真的可疑。你也可以檢查歷來已知的詐欺案例，看看你的模型是否能把它們標記出來。
在這個情境中，你會使用詐欺標籤來檢查模型的結果。預測的叢集編號在 pred_labels，而原始的詐欺標籤在 labels。
本練習屬於課程
Fraud Detection in Python
練習說明
- 建立一個同時包含叢集編號與實際標籤的 dataframe。這已為你準備好。
- 建立一個條件，將最小的三個叢集（叢集 21、17、9）標記為詐欺。
- 以實際的詐欺標籤與新建立的預測詐欺標籤，建立一個交叉列聯表。
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。
# 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']))