Regolare i pesi dell’algoritmo

Rilevamento delle frodi in Python

Charlotte Werger

Data Scientist

Pesi bilanciati

model = RandomForestClassifier(class_weight='balanced')

model = RandomForestClassifier(class_weight='balanced_subsample')

model = LogisticRegression(class_weight='balanced')

model = SVC(kernel='linear', class_weight='balanced', probability=True)

Tuning degli iperparametri per il rilevamento frodi

model = RandomForestClassifier(class_weight={0:1,1:4},random_state=1)

model = LogisticRegression(class_weight={0:1,1:4}, random_state=1)

model = RandomForestClassifier(n_estimators=10, 
                               criterion='gini', 
                               max_depth=None, 
                               min_samples_split=2, 
                               min_samples_leaf=1, 
                               max_features='auto',
                               n_jobs=-1, 
                               class_weight=None)

Uso di GridSearchCV

from sklearn.model_selection import GridSearchCV

# Crea la griglia dei parametri 
param_grid = {
    'max_depth': [80, 90, 100, 110],
    'max_features': [2, 3],
    'min_samples_leaf': [3, 4, 5],
    'min_samples_split': [8, 10, 12],
    'n_estimators': [100, 200, 300, 1000]
}

# Definisci il modello da usare
model = RandomForestRegressor()

# Istanzia il modello di grid search
grid_search_model = GridSearchCV(estimator = model, 
param_grid = param_grid, cv = 5,
n_jobs = -1, scoring='f1')

Trovare il modello migliore con GridSearchCV

# Esegui il fit della grid search
grid_search_model.fit(X_train, y_train)

# Ottieni i parametri ottimali 
grid_search_model.best_params_

{'bootstrap': True,
 'max_depth': 80,
 'max_features': 3,
 'min_samples_leaf': 5,
 'min_samples_split': 12,
 'n_estimators': 100}

# Risultati del best_estimator
grid_search.best_estimator_
grid_search.best_score_

Esercitiamoci!

Rilevamento delle frodi in Python