Rapport de classification des défauts
Il est temps d'examiner de plus près l'évaluation du modèle. C'est ici que le choix d'un seuil pour la probabilité de défaut vous aidera à analyser la performance du modèle à l'aide d'un rapport de classification.
Créer une trame de données des probabilités facilite le travail, car vous pouvez profiter de toute la puissance de pandas. Appliquez le seuil aux données et vérifiez le nombre d'occurrences pour les deux classes de loan_status afin de voir combien de prédictions de chaque type sont produites. Cela aidera à interpréter les scores du rapport de classification.
L'ensemble de données cr_loan_prep, le modèle de régression logistique entraîné clf_logistic, les vraies valeurs de l'état du prêt y_test et les probabilités prédites preds sont chargés dans l'espace de travail.
Cette activité fait partie du cours
Modélisation du risque de crédit en Python
Instructions de l’exercice
- Créez une trame de données ne contenant que les probabilités de défaut à partir de
preds, appeléepreds_df. - Réassignez les valeurs de
loan_statusselon un seuil de0.50pour la probabilité de défaut danspreds_df. - Affichez le nombre d'occurrences (value counts) du nombre de lignes pour chaque
loan_status. - Affichez le rapport de classification à l'aide de
y_testet depreds_df.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Create a dataframe for the probabilities of default
____ = pd.____(____[:,1], columns = ['prob_default'])
# Reassign loan status based on the threshold
____[____] = ____[____].apply(lambda x: 1 if x > ____ else 0)
# Print the row counts for each loan status
print(____[____].____())
# Print the classification report
target_names = ['Non-Default', 'Default']
print(____(____, ____['loan_status'], target_names=target_names))