蓝桥杯人工智能赛道-实战赛模拟题之账号风险评估

账号风险评估

介绍

账号风险评估有助于提高用户在新媒体平台上的体验。通过筛选和过滤风险账号，可以减少用户接触到不良内容、垃圾信息或恶意攻击的可能性，提供一个更安全、健康和友好的平台环境。本任务将基于相关数据集构建一个简单的分类模型，识别风险账号。

准备

开始答题前，请确认 /home/project 目录下包含以下文件：

• data_user.csv，是任务提供的数据集。

  
  （图片来源网络，侵删）

• task.py，是你后续答题过程中编写代码的地方。

  目标

  请在 task.py 文件中根据以下要求编写函数代码。

  logistic_regression_model 函数

  • 函数功能

    • 基于逻辑回归算法训练分类模型。要求如下：

      • 调用 sklearn 中的逻辑回归方法 LogisticRegression，训练分类模型。

      • 使用 pickle 库将模型保存为 pkl 格式的文件。

      • 返回模型在测试集上的 F1 得分（范围：0～1）。

  • 参数

    • X_train：numpy.ndarray 类型，训练集特征。

    • y_train：numpy.ndarray 类型，训练集目标变量。

    • X_test：numpy.ndarray 类型，测试集特征。

    • y_test：numpy.ndarray 类型，测试集目标变量。

    • dist：模型的保存路径，可参考 main 函数中该参数的配置。

  • 返回值

    • f1_sc：Float 类型，F1 得分。

    基于以下代码补充 #TODO 处的函数代码，并执行 main() 函数，确保能够实现以下目标：

    • 正确训练一个逻辑回归模型，并保存在 /home/project 目录下，命名为 lr_model.pkl。

    • 逻辑回归模型在测试集上的 F1 得分不低于 0.85。

      提示：点击代码块右上方的 copy 按钮，将代码完整复制到右侧环境中后开始编码。

      import pandas as pd
      import numpy as np
      from sklearn.preprocessing import StandardScaler
      from sklearn.model_selection import train_test_split
      from sklearn.metrics import f1_score
      from sklearn.linear_model import LogisticRegression
      import pickle
      ​
      def load_data(file_path):
          data = pd.read_csv(file_path)
          y = data['target']
          X = data.drop('target', axis=1)
          return X, y
      ​
      def preprocess_data(X_train, X_test):
          scale = StandardScaler()
          X_train = scale.fit_transform(X_train)
          X_test = scale.transform(X_test)
          return X_train, X_test
      ​
      def logistic_regression_model(X_train, y_train, X_test, y_test, dist):
          #TODO
          
      ​
      ​
      def main():
          X, y = load_data('data_user.csv')
          X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
          X_train, X_test = preprocess_data(X_train, X_test)
          f1 = logistic_regression_model(X_train, y_train, X_test, y_test,'./lr_model.pkl')
          print('%.2f'% f1)
      ​
      if __name__ == '__main__':
          main()

      规定

      • 务必在 #TODO 所在的函数范围内编写代码，以免造成判题不通过。

      • 切勿修改任务中默认提供的文件名称、函数名称等，以免造成判题不通过。

        判分标准

        • 实现目标，该题得 15 分

        • 未实现目标，该题得 0 分。

          代码：

          def logistic_regression_model(X_train, y_train, X_test, y_test, dist):
              #TODO
              model = LogisticRegression()
              model.fit(X_train, y_train)
              y_pred = model.predict(X_test)
              f1_sc = f1_score(y_test, y_pred)
              with open(dist, 'wb') as f:
                  pickle.dump(model, f)
              return f1_sc