模型调优
在处理高度不平衡的欺诈数据时，一个简单的方式是，在定义 sklearn 模型时使用 class_weights 选项 来调整随机森林模型。不过，正如您将看到的，这是一种相对"钝"的手段，未必适用于您的特定场景。
在本练习中，您将基于上一个练习的 Random Forest 模型，探索 weight = "balanced_subsample" 模式。您已经把数据划分为训练集和测试集，即 X_train、X_test、y_train、y_test 已就绪。评估指标函数也已导入。
本练习是课程的一部分
Python 中的欺诈检测
练习说明
- 将分类器的
class_weight参数设为balanced_subsample。 - 在训练集上拟合模型。
- 基于
X_test获取预测结果和预测概率。 - 计算并查看
roc_auc_score、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 model with balanced subsample
model = RandomForestClassifier(class_weight='____', random_state=5)
# Fit your training model to your training set
model.fit(____, ____)
# Obtain the predicted values and probabilities from the model
predicted = ____.____(____)
probs = ____.____(____)
# Print the roc_auc_score, the classification report and confusion matrix
print(____(____, ____))
print(____(____, ____))
print(____(____, ____))