Kalibrierkurven
Du weißt jetzt, dass der Gradient-Boosted-Tree clf_gbt insgesamt am besten abschneidet. Prüfe die Kalibrierung der beiden Modelle, um zu sehen, wie stabil die Standardvorhersageleistung über die Wahrscheinlichkeiten hinweg ist. Dafür kannst du die Kalibrierung jedes Modells mit der Funktion calibration_curve() in einem Diagramm darstellen.
Kalibrierkurven können in Python viele Codezeilen erfordern. Daher gehen wir die Schritte nacheinander durch und fügen die einzelnen Komponenten langsam hinzu.
Die beiden Vorhersagesätze clf_logistic_preds und clf_gbt_preds wurden bereits in den Workspace geladen. Außerdem wurden die Ausgaben von calibration_curve() für jedes Modell geladen als: frac_of_pos_lr, mean_pred_val_lr, frac_of_pos_gbt und mean_pred_val_gbt.
Diese Übung ist Teil des Kurses
Kreditrisikomodellierung in Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# 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.____()