1. Learn
    2. /
  2. Courses
    3. /
  3. Modélisation du risque de crédit en Python
Connected

Exercise

Courbes de calibration

Vous savez maintenant que l'arbre à surapprentissage par gradient clf_gbt offre la meilleure performance globale. Vous devez vérifier la calibration des deux modèles pour voir à quel point la performance des prédictions par défaut est stable selon les probabilités. Vous pouvez utiliser un graphique de calibration pour chaque modèle en appelant la fonction calibration_curve().

Les courbes de calibration peuvent exiger plusieurs lignes de code en Python, donc vous allez avancer pas à pas pour ajouter les différentes composantes.

Les deux ensembles de prédictions clf_logistic_preds et clf_gbt_preds ont déjà été chargés dans l'espace de travail. De plus, la sortie de calibration_curve() pour chaque modèle a été chargée sous les noms : frac_of_pos_lr, mean_pred_val_lr, frac_of_pos_gbt et mean_pred_val_gbt.

Instructions 1/3

undefined XP
    1
    2
    3
  • Créez un plot() de courbe de calibration en commençant par la ligne directrice de calibration parfaite et nommez-la « Perfectly calibrated ». Ensuite, ajoutez les étiquettes de l'axe des ordonnées (y) puis de l'axe des abscisses (x), dans cet ordre.