将 Random Forest 调整为欺诈检测

在本练习中，您将深入了解随机森林分类器的各项配置，我们会分配权重并调整森林中决策树的结构。您将手动定义权重，以略微抵消类别不平衡。在我们的示例中，欺诈样本约为 300，非欺诈样本约为 7,000。若将权重比设为 1:12，模型在训练时相当于得到约 1/3 欺诈与 2/3 非欺诈的比例，这样已经足够用于训练模型。

本练习的数据已拆分为训练集和测试集，您只需专注于定义模型。之后可以使用 get_model_results() 函数作为快捷方式。该函数会将模型拟合到训练数据上，进行预测，并获得与您在前面练习中类似的性能指标。

本练习是课程的一部分

Python 中的欺诈检测

查看课程

练习说明

更改 weight 选项，将非欺诈与欺诈的比率设为 1 比 12，并将划分准则设为 'entropy'。
将最大深度设置为 10。
将叶节点中的最小样本数设置为 10。
将模型中使用的树的数量设置为 20。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Change the model options
model = RandomForestClassifier(bootstrap=True, class_weight={0:____, 1:____}, criterion='____',
			
			# Change depth of model
            max_depth=____,
		
			# Change the number of samples in leaf nodes
            min_samples_leaf=____, 

			# Change the number of trees to use
            n_estimators=____, n_jobs=-1, random_state=5)

# Run the function get_model_results
get_model_results(X_train, y_train, X_test, y_test, model)

编辑并运行代码