Logistic Regression

在本节最后一课中，您将使用 VotingClassifier 将三个算法组合为一个模型。这样可以综合各模型的优势，希望整体性能更好，并能检测到更多欺诈。第一个模型 Logistic Regression 的召回率略高于我们调优后的 Random Forest，但误报更多。您还将加入一个带有平衡权重的 Decision Tree。数据已划分为训练集和测试集，即已提供 X_train、y_train、X_test、y_test。

为了解 Voting Classifier 如何可能改进原始模型，您应先查看 Logistic Regression 的单模型结果。

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

定义一个 LogisticRegression 模型，并将欺诈类的类别权重设置为 1:15。
将模型拟合到训练集，并获取模型预测结果。
打印分类报告和混淆矩阵。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Define the Logistic Regression model with weights
model = ____(____={____, ____}, random_state=5)

# Get the model results
get_model_results(X_train, y_train, X_test, y_test, model)

编辑并运行代码