Výběr sloupců a výkon modelu
Vytvoření trénovací sady z různých kombinací sloupců ovlivňuje model i důležitost jednotlivých sloupců. Má ale jiný výběr sloupců vliv také na F-1 skóre modelu, tedy na kombinaci precision a recall? Odpověď zjistíš tak, že natrénuješ dva různé modely na dvou různých sadách sloupců a porovnáš jejich výkon.
Nepřesná předpověď defaultu jako non-defaultu může vést k neočekávaným ztrátám, pokud byla pravděpodobnost defaultu u těchto půjček velmi nízká. F-1 skóre pro defaulty ti ukáže, jak přesně modely dokáží tyto případy předpovědět.
Kreditní data cr_loan_prep a dvě sady trénovacích sloupců X a X2 jsou načteny v prostředí. Modely gbt a gbt2 jsou již natrénované.
Toto cvičení je součástí kurzu
Credit Risk Modeling in Python
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Predict the loan_status using each model
____ = gbt.____(____)
____ = gbt2.____(____)
# Print the classification report of the first model
target_names = ['Non-Default', 'Default']
print(____(____, ____, target_names=target_names))
# Print the classification report of the second model
print(____(____, ____, target_names=target_names))