Spécifier un seuil (cut-off)
Nous vous avons montré comment le choix d’un seuil peut faire la différence pour obtenir une bonne matrice de confusion. Vous allez maintenant apprendre à transformer le vecteur de prédictions en un vecteur de valeurs binaires indiquant le statut du prêt. La fonction ifelse() de R peut vous y aider.
En appliquant ifelse() dans le contexte d’un seuil, vous obtiendrez quelque chose comme :
ifelse(predictions > 0.3, 1, 0)
Dans le premier argument, vous testez si une certaine valeur du vecteur de prédictions est supérieure à 0,3. Si c’est TRUE, R renvoie « 1 » (spécifié en deuxième argument) ; si c’est FALSE, R renvoie « 0 » (spécifié en troisième argument), représentant respectivement « défaut » et « pas de défaut ».
Cet exercice fait partie du cours
<cours>Modélisation du risque de crédit en R</cours>Instructions de l’exercice
- Le code du modèle de régression logistique complet ainsi que le vecteur de prédictions est fourni dans votre console.
- En utilisant un seuil de 0,15, créez le vecteur
pred_cutoff_15avec la fonctionifelse()etpredictions_all_full. - Examinez la matrice de confusion avec
table()(saisissez les vraies valeurs, c’est-à-diretest_set$loan_status, en premier argument).
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# The code for the logistic regression model and the predictions is given below
log_model_full <- glm(loan_status ~ ., family = "binomial", data = training_set)
predictions_all_full <- predict(log_model_full, newdata = test_set, type = "response")
# Make a binary predictions-vector using a cut-off of 15%
# Construct a confusion matrix