Výběr prahu
Mezi metrikami, jako je recall pro defaulty, recall pro non-defaulty a celková přesnost modelu, existuje vzájemný kompromis. Dobrým způsobem, jak najít rozumnou počáteční hodnotu prahu, je vykreslit všechny tři metriky najednou pomocí matplotlib. Tento graf ti ukáže, jak se každá z nich mění v závislosti na hodnotě prahu, a pomůže ti najít bod, kde jsou všechny tři dostatečně dobré pro použití s úvěrovými daty.
Do prostoru jsou načteny hodnoty prahu thresh, hodnoty recallu pro defaulty def_recalls, hodnoty recallu pro non-defaulty nondef_recalls a skóre přesnosti accs. Pro lepší čitelnost grafu je načteno také pole ticks pro popisky na ose x.
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.
plt.plot(____,____)
plt.plot(____,____)
plt.plot(____,____)
plt.xlabel("Probability Threshold")
plt.xticks(ticks)
plt.legend(["Default Recall","Non-default Recall","Model Accuracy"])
plt.____()