Ajustement en échantillon : modèle restreint

Vous avez calculé la justesse pour logitModelFull. Il est très important de le faire pour tous vos modèles candidats.

Ainsi, logitModelNew est défini et se trouve dans votre environnement.

Lorsque vous comparez les valeurs des différents modèles entre eux : si des modèles ont la même justesse, choisissez toujours celui qui comporte le moins de variables explicatives.

Cette activité fait partie du cours

Machine Learning for Marketing Analytics in R

Voir le cours

Instructions de l’exercice

Reprenez les mêmes étapes que dans l'exercice précédent pour le nouveau modèle.
Utilisez predict() pour obtenir, pour chaque client, une probabilité de défaut de paiement.
Calculez ensuite une matrice de confusion avec le même seuil de 0,5 pour la classification. Notez que SDMTools ne peut plus être téléchargé à partir de CRAN. Installez-le plutôt avec remotes::install_version("SDMTools", "1.1-221.2").
Calculez la justesse du modèle restreint et comparez-la à celle du modèle complet. Vous poursuivrez votre analyse uniquement avec le modèle supérieur.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Calculate the accuracy for 'logitModelNew'
# Make prediction
defaultData$predNew <- predict(logitModelNew, type = ___, na.action = ___)

# Construct the in-sample confusion matrix
confMatrixModelNew <- confusion.matrix(defaultData$___,defaultData$___, threshold = ___)
confMatrixModelNew

# Calculate the accuracy...
accuracyNew <- sum(diag(___)) / ___(___)
accuracyNew

# and compare it to the full model's accuracy
accuracyFull

Modifier et exécuter le code