Sélection des colonnes et performance du modèle
Créer l'ensemble d'entraînement à partir de différentes combinaisons de colonnes influence le modèle et les valeurs d'importance des colonnes. Une autre sélection de colonnes a-t-elle aussi un effet sur les scores F-1, la combinaison de la precision et du recall, du modèle? Vous pouvez répondre à cette question en entraînant deux modèles différents sur deux ensembles de colonnes différents, puis en comparant leur performance.
Prédire à tort des défauts comme des non-défauts peut entraîner des pertes inattendues si la probabilité de défaut pour ces prêts était très faible. Vous pouvez utiliser le score F-1 pour la classe « défaut » afin d'évaluer à quel point les modèles prédisent correctement les défauts.
Les données de crédit, cr_loan_prep, ainsi que les deux ensembles de colonnes d'entraînement X et X2 ont été chargés dans l'espace de travail. Les modèles gbt et gbt2 ont déjà été entraînés.
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.
# Predict the loan_status using each model
____ = gbt.____(____)
____ = gbt2.____(____)
# Print the classification report of the first model
target_names = ['Non-Default', 'Default']
print(____(____, ____, target_names=target_names))
# Print the classification report of the second model
print(____(____, ____, target_names=target_names))