अंडरसैंपल्ड ट्री का प्रदर्शन
आपने प्रशिक्षण सेट को अंडरसैंपल किया है और उसी अंडरसैंपल्ड सेट पर एक मॉडल ट्रेन किया है.
मॉडल की भविष्यवाणियों का प्रदर्शन न केवल टेस्ट सेट पर डिफॉल्ट की प्रोबेबिलिटी को प्रभावित करता है, बल्कि जैसे-जैसे नई लोन एप्लिकेशन आती हैं, उनके स्कोरिंग को भी प्रभावित करता है. अब आप यह भी जानते हैं कि डिफॉल्ट के लिए रिकॉल का ऊँचा होना और भी महत्वपूर्ण है, क्योंकि किसी डिफॉल्ट को नॉन-डिफॉल्ट के रूप में प्रेडिक्ट करना ज़्यादा महँगा पड़ता है.
अगला अहम कदम नए मॉडल के प्रदर्शन की तुलना ओरिजिनल मॉडल से करना है. ओरिजिनल प्रेडिक्शंस gbt_preds में स्टोर हैं और नए मॉडल की प्रेडिक्शंस gbt2_preds में स्टोर हैं.
मॉडल प्रेडिक्शंस gbt_preds और gbt2_preds के साथ-साथ y_test भी वर्कस्पेस में पहले से स्टोर है.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में क्रेडिट रिस्क मॉडलिंग
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Check the classification reports
target_names = ['Non-Default', 'Default']
print(____(y_test, ____, target_names=target_names))
print(____(y_test, ____, target_names=target_names))