Kalibrační křivky
Teď už víš, že gradientně posílený strom clf_gbt má celkově nejlepší výkon. Potřebuješ ale zkontrolovat kalibraci obou modelů, abys zjistil/a, jak stabilní je výchozí predikční výkon napříč pravděpodobnostmi. K tomu poslouží graf kalibrační křivky každého modelu – stačí zavolat funkci calibration_curve().
Kalibrační křivky vyžadují v Pythonu více řádků kódu, takže si projdeme každý krok postupně a přidáme jednotlivé části grafu.
Oba sety predikcí clf_logistic_preds a clf_gbt_preds jsou už načteny v prostředí. Výstupy funkce calibration_curve() pro každý model jsou k dispozici jako: frac_of_pos_lr, mean_pred_val_lr, frac_of_pos_gbt a mean_pred_val_gbt.
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.
# Create the calibration curve plot with the guideline
plt.____([0, 1], [0, 1], 'k:', label=____)
plt.____('Fraction of positives')
plt.____('Average Predicted Probability')
plt.legend()
plt.title('Calibration Curve')
plt.____()