检查结果
在本练习中，您将检查 DBSCAN 欺诈检测模型的结果。实际工作中，往往缺乏可靠标签，此时需要欺诈分析师协助验证结果。他/她可以核对您的输出，判断您标记的案例是否确实可疑。您也可以回查历史已知案例，看模型是否能将其识别出来。
在这里，您将使用欺诈标签来核对模型结果。预测的簇编号存放在 pred_labels 中，原始的欺诈标签在 labels 中。
本练习是课程的一部分
Python 中的欺诈检测
练习说明
- 创建一个将簇编号与真实标签合并的数据框。此步骤已为您完成。
- 创建一个条件，用于将最小的 3 个簇标记为欺诈：簇 21、17 和 9。
- 基于真实欺诈标签与新创建的预测欺诈标签生成一个交叉表。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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']))