Prahové hodnoty a matice záměn
Už ses zabýval/a nastavením prahových hodnot pro selhání úvěru, ale jak to ovlivňuje celkový výkon modelu? Dobrým výchozím bodem je podívat se na dopady pomocí matic záměn.
Připomeň si matici záměn zobrazenou níže:
Nastavuj různé prahové hodnoty pravděpodobnosti selhání a sleduj pomocí matice záměn, jak tyto změny ovlivňují výkon modelu.
DataFrame s predikcemi preds_df i model clf_logistic jsou již načteny v pracovním prostředí.
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.
# Set the threshold for defaults to 0.5
____[____] = ____[____].apply(lambda x: 1 if x > ____ else 0)
# Print the confusion matrix
print(____(____,____[____]))