Performances de l’arbre sous-échantillonné
Vous avez sous‑échantillonné l’ensemble d’entraînement et entraîné un modèle sur cet échantillon.
Les performances des prédictions du modèle ont un impact non seulement sur la probabilité de défaut sur l’ensemble de test, mais aussi sur le scoring des nouvelles demandes de prêt au fil de l’eau. Vous savez désormais qu’il est encore plus important d’avoir un rappel élevé des défauts, car un défaut prédit comme non‑défaut est plus coûteux.
L’étape cruciale suivante consiste à comparer les performances du nouveau modèle à celles du modèle initial. Les prédictions du modèle initial sont enregistrées dans gbt_preds et celles du nouveau modèle dans gbt2_preds.
Les prédictions gbt_preds et gbt2_preds sont déjà disponibles dans l’espace de travail, ainsi que y_test.
Cet exercice fait partie du cours
Modélisation du risque de crédit en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Check the classification reports
target_names = ['Non-Default', 'Default']
print(____(y_test, ____, target_names=target_names))
print(____(y_test, ____, target_names=target_names))