Nastavení prahu klasifikace
Ukázali jsme ti, jak volba prahu klasifikace může rozhodnout o tom, zda dostaneš dobrou matici záměn. Teď se naučíš, jak převést vektor predikcí na vektor binárních hodnot označujících stav úvěru. Pomůže ti k tomu funkce ifelse() v R.
Použití funkce ifelse() v kontextu prahu klasifikace vypadá například takto:
ifelse(predictions > 0.3, 1, 0)
V prvním argumentu testuješ, zda je daná hodnota ve vektoru predikcí větší než 0.3. Pokud je podmínka TRUE, R vrátí hodnotu "1" (zadanou ve druhém argumentu); pokud je FALSE, vrátí "0" (zadanou ve třetím argumentu) – tyto hodnoty představují „default" a „no default".
Toto cvičení je součástí kurzu
Modelování kreditního rizika v R
Pokyny k cvičení
- Kód pro úplný model logistické regrese spolu s vektorem predikcí je k dispozici v konzoli.
- S prahem 0.15 vytvoř vektor
pred_cutoff_15pomocí funkceifelse()a proměnnépredictions_all_full. - Prohlédni si matici záměn pomocí funkce
table()– jako první argument zadej skutečné hodnoty, tedytest_set$loan_status.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# The code for the logistic regression model and the predictions is given below
log_model_full <- glm(loan_status ~ ., family = "binomial", data = training_set)
predictions_all_full <- predict(log_model_full, newdata = test_set, type = "response")
# Make a binary predictions-vector using a cut-off of 15%
# Construct a confusion matrix