Klasifikační report pro predikci defaultu

Je čas podívat se blíže na vyhodnocení modelu. Právě zde ti nastavení prahové hodnoty pravděpodobnosti defaultu pomůže analyzovat výkon modelu prostřednictvím klasifikačního reportu.

Pravděpodobnosti je snazší zpracovávat jako datový rámec, protože pak můžeš využít veškerou sílu pandas. Aplikuj prahovou hodnotu na data a zkontroluj počty výskytů obou tříd loan_status – uvidíš, kolik predikcí každé třídy model vytváří. To ti pomůže lépe pochopit skóre z klasifikačního reportu.

Dataset cr_loan_prep, natrénovaná logistická regrese clf_logistic, skutečné hodnoty stavu půjčky y_test a predikované pravděpodobnosti preds jsou načteny v pracovním prostředí.

Toto cvičení je součástí kurzu

Credit Risk Modeling in Python

Zobrazit kurz

Pokyny k cvičení

Z preds vytvoř datový rámec obsahující pouze pravděpodobnosti defaultu a pojmenuj ho preds_df.
Přeznač hodnoty loan_status v preds_df na základě prahové hodnoty 0.50 pro pravděpodobnost defaultu.
Vypiš počty řádků pro každou třídu loan_status.
Vypiš klasifikační report s použitím y_test a preds_df.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create a dataframe for the probabilities of default
____ = pd.____(____[:,1], columns = ['prob_default'])

# Reassign loan status based on the threshold
____[____] = ____[____].apply(lambda x: 1 if x > ____ else 0)

# Print the row counts for each loan status
print(____[____].____())

# Print the classification report
target_names = ['Non-Default', 'Default']
print(____(____, ____['loan_status'], target_names=target_names))

Upravit a spustit kód