Analyse des coûts en situation réelle
Vous allez encore travailler sur l'ensemble de données de crédit pour cet exercice. Rappelez-vous qu'un « positif » dans cet ensemble signifie « mauvais crédit », c'est-à-dire un client qui a fait défaut sur son prêt, et un « négatif » signifie un client qui a continué de payer sans problème. Le directeur de la banque vous a indiqué que la banque réalise en moyenne un profit de 10 k\( pour chaque client « bon risque », mais perd 150 k\) pour chaque client « mauvais risque ». Votre algorithme servira à filtrer les demandes : celles étiquetées « négatif » recevront un prêt, et les « positif » seront refusées. Quel est le coût total de votre classifieur ? Les données sont disponibles sous X_train, X_test, y_train et y_test. Les fonctions confusion_matrix(), f1_score(), precision_score() et RandomForestClassifier() sont disponibles.
Cette activité fait partie du cours
Concevoir des flux de travail Machine Learning en Python
Instructions de l’exercice
- Ajustez un classifieur à forêt aléatoire aux données d'entraînement.
- Utilisez-le pour étiqueter les données de test.
- Extrayez les faux négatifs et les faux positifs à partir de
confusion_matrix(). Vous devrez aplatir la matrice. - Classer à tort un client « bon risque » comme « mauvais risque » signifie que la banque aurait perdu la possibilité de réaliser un profit de 10 k\(. Classer à tort un client « mauvais risque » comme « bon risque » signifie que la banque aurait perdu 150 k\) en raison du défaut de paiement du client.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Fit a random forest classifier to the training data
clf = ____(random_state=2).fit(____, ____)
# Label the test data
preds = clf.____(____)
# Get false positives/negatives from the confusion matrix
tn, ____, ____, tp = confusion_matrix(y_test, preds).____()
# Now compute the cost using the manager's advice
cost = fp*____ + fn*____