Ocena wydajności

Wykrywanie oszustw w Pythonie

Charlotte Werger

Data Scientist

Dokładność to nie wszystko

Przy wykrywaniu oszustw dokładność nie jest wystarczającą miarą

Fałszywe alarmy, przeoczone oszustwa i wykryte przypadki

Kompromis precyzja-czułość

Obliczanie metryk wydajności

# Import the packages
from sklearn.metrics import precision_recall_curve
from sklearn.metrics import average_precision_score

# Calculate average precision and the PR curve
average_precision = average_precision_score(y_test, predicted)

# Obtain precision and recall
precision, recall, _ = precision_recall_curve(y_test, predicted)

Krzywa precyzja-czułość

Krzywa ROC do porównywania algorytmów

# Obtain model probabilities
probs = model.predict_proba(X_test)

# Print ROC_AUC score using probabilities 
print(metrics.roc_auc_score(y_test, probs[:, 1]))

0.9338879319822626

from sklearn.metrics import classification_report, confusion_matrix

# Obtain predictions 
predicted = model.predict(X_test)

# Print classification report using predictions
print(classification_report(y_test, predicted))

  precision    recall  f1-score   support

        0.0       0.99      1.00      1.00      2099
        1.0       0.96      0.80      0.87        91

avg / total       0.99      0.99      0.99      2190

# Print confusion matrix using predictions
print(confusion_matrix(y_test, predicted))

[[2096    3]
 [  18   73]]

Czas na ćwiczenia!

Wykrywanie oszustw w Pythonie