Vous avez utilisé des modèles de régression logistique et des arbres à gradient boosting. Il est temps de comparer ces deux modèles pour décider lequel servira aux prédictions finales.

L’une des premières étapes les plus simples pour comparer la capacité de différents modèles à prédire la probabilité de défaut consiste à examiner leurs métriques via classification_report(). Cela permet de voir côte à côte de nombreux indicateurs pour chaque modèle. Comme les données et les modèles sont généralement déséquilibrés avec peu de défauts, concentrez-vous pour l’instant sur les métriques de la classe « défaut ».

Les modèles entraînés clf_logistic et clf_gbt ont été chargés dans l’espace de travail, ainsi que leurs prédictions preds_df_lr et preds_df_gbt. Un seuil de 0.4 a été utilisé pour chacun. L’ensemble de test y_test est également disponible.

Stratégie de crédit et perte minimale attendue

Create Your Free Account