Seuils et matrices de confusion
Vous avez examiné la façon d'établir des seuils pour les défauts de paiement, mais quel est l'impact sur la performance globale? Pour le voir, commencez par étudier les effets à l'aide de matrices de confusion.
Rappelez-vous la matrice de confusion illustrée ici :
Définissez différentes valeurs de seuil pour la probabilité de défaut et utilisez une matrice de confusion pour observer comment ces changements influencent la performance du modèle.
La trame de données des prédictions, preds_df, ainsi que le modèle clf_logistic ont été chargés dans l'espace de travail.
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.
# Set the threshold for defaults to 0.5
____[____] = ____[____].apply(lambda x: 1 if x > ____ else 0)
# Print the confusion matrix
print(____(____,____[____]))