Leistung des unterstichprobenbasierten Baums
Du hast den Trainingssatz unterstichprobt und ein Modell auf dem unterstichprobenbasierten Datensatz trainiert.
Die Leistung der Modellvorhersagen wirkt sich nicht nur auf die Ausfallwahrscheinlichkeit im Testsatz aus, sondern auch auf die Bewertung neuer Kreditanträge, sobald sie eingehen. Du weißt jetzt außerdem, dass es besonders wichtig ist, eine hohe Recall-Rate für Ausfälle zu erreichen, weil ein Ausfall, der als „kein Ausfall“ vorhergesagt wird, teurer ist.
Der nächste entscheidende Schritt ist, die Leistung des neuen Modells mit der des ursprünglichen Modells zu vergleichen. Die ursprünglichen Vorhersagen sind als gbt_preds gespeichert und die Vorhersagen des neuen Modells als gbt2_preds.
Die Modellvorhersagen gbt_preds und gbt2_preds sind zusammen mit y_test bereits im Workspace gespeichert.
Diese Übung ist Teil des Kurses
Kreditrisikomodellierung in Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Check the classification reports
target_names = ['Non-Default', 'Default']
print(____(y_test, ____, target_names=target_names))
print(____(y_test, ____, target_names=target_names))