重采样技术
在上一个练习中，您已经看到类别不平衡会如何影响混淆矩阵的结果。本练习中，您将练习重采样技术，探索在类似 loan_data 这样存在类别不平衡的数据集上，不同重采样方式会带来怎样的结果差异。使用 sklearn 的 resample() 函数时，将少数类的行数提升到与多数类匹配称为上采样，而将多数类的行数降到与少数类匹配称为下采样。
您将分别创建 loan_data 数据集的上采样版和下采样版，在两者上都训练逻辑回归模型，并对其进行评估。训练数据及其对应 deny 的标签被子集化为仅包含少数类，而对应 approve 的标签为多数类。
用于进行预测的训练/测试拆分对象已保存为 X_test，可在练习中直接使用。
本练习是课程的一部分
用 Python 练习机器学习面试题
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Upsample minority and combine with majority
loans_upsampled = ____(deny, replace=True, n_samples=len(____), random_state=123)
upsampled = pd.concat([approve, loans_upsampled])
# Downsample majority and combine with minority
loans_downsampled = ____(____, replace = False, n_samples = len(deny), random_state = 123)
downsampled = pd.concat([loans_downsampled, deny])