Modelle mit höherer Trennschärfe erstellen

In der vorherigen Übung war der Bereich der vorhergesagten Ausfallwahrscheinlichkeiten ziemlich klein. Wie besprochen, sind kleine vorhergesagte Ausfallwahrscheinlichkeiten bei niedrigen Ausfallraten zu erwarten. Größere Modelle (was im Wesentlichen bedeutet: mehr Prädiktoren einzubeziehen) können jedoch den Bereich deiner Vorhersagen erweitern.

Ob dies letztlich zu besseren Vorhersagen führt, muss noch validiert werden und hängt von der Qualität der neu aufgenommenen Prädiktoren ab. Schau dir zunächst an, wie größere Modelle den Bereich erweitern können.

Diese Übung ist Teil des Kurses

<Kurs>Kreditrisikomodellierung in R</Kurs>

Kurs ansehen

Übungsanweisungen

Erstelle log_model_full analog zu log_model_small, diesmal aber mit allen verfügbaren Prädiktoren im Datensatz. Wenn du nicht jede Spalte einzeln angeben willst, kannst du einfach alle Variablen mit loan_status ~ . auswählen.
Erzeuge deinen Vorhersagevektor predictions_all_full für alle Fälle im Testset mit predict(). Beachte, dass diese Werte die Ausfallwahrscheinlichkeit darstellen.
Sieh dir den Bereich der Vorhersagen an.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Change the code below to construct a logistic regression model using all available predictors in the data set
log_model_small <- glm(loan_status ~ age + ir_cat, family = "binomial", data = training_set)

# Make PD-predictions for all test set elements using the the full logistic regression model


# Look at the predictions range

Code bearbeiten und ausführen