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.
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.
# Create the calibration curve plot with the guideline
plt.____([0, 1], [0, 1], 'k:', label=____)
plt.____('Fraction of positives')
plt.____('Average Predicted Probability')
plt.legend()
plt.title('Calibration Curve')
plt.____()