在 Voting Classifier 中调整权重
您刚刚看到，Voting Classifier 能通过结合多个模型的优点来提升欺诈检测的效果。现在让我们尝试调整各模型的权重。通过增减权重，您可以控制相较于其他模型，某个模型的影响力度。当某个模型整体表现更好，但您仍希望结合其他模型的长处来进一步提升结果时，这种做法非常有用。
在本练习中，数据已经划分为训练集和测试集，clf1、clf2 和 clf3 也已按前述方式定义，分别为 Logistic Regression、Random Forest 和 Decision Tree。
本练习是课程的一部分
Python 中的欺诈检测
练习说明
- 定义一个集成方法，将第二个分类器（clf2）的权重相对于其余分类器提高为 4 比 1。
- 将模型拟合在训练集和测试集上，并从集成模型中获得预测结果
predicted。 - 打印性能指标，代码已为您准备好，可直接运行。
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 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)