Performance de l'arbre sous-échantillonné
Vous avez sous-échantillonné l'ensemble d'entraînement et entraîné un modèle sur cet ensemble.
La performance des prédictions du modèle influence non seulement la probabilité de défaut sur l'ensemble de test, mais aussi le pointage des nouvelles demandes de prêt qui arrivent. Vous savez aussi maintenant qu'il est encore plus important d'obtenir un rappel élevé des défauts, car un défaut prédit comme non défaut coûte plus cher.
L'étape cruciale suivante consiste à comparer la performance du nouveau modèle à celle du modèle initial. Les prédictions originales sont enregistrées dans gbt_preds et celles du nouveau modèle dans gbt2_preds.
Les prédictions des modèles gbt_preds et gbt2_preds sont déjà disponibles dans l'environnement de travail, en plus de y_test.
Cette activité fait partie du cours
Modélisation du risque de crédit en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Check the classification reports
target_names = ['Non-Default', 'Default']
print(____(y_test, ____, target_names=target_names))
print(____(y_test, ____, target_names=target_names))