कॉलम चयन और मॉडल परफॉर्मेंस
ट्रेनिंग सेट बनाने के लिए अलग‑अलग कॉलम संयोजन चुनने से मॉडल और कॉलम के इम्पोर्टेंस वैल्यू पर असर पड़ता है। क्या कॉलम का अलग चयन मॉडल के F-1 स्कोर, यानी precision और recall के संयोजन, को भी प्रभावित करता है? आप यह जानने के लिए दो अलग‑अलग कॉलम सेट पर दो मॉडल ट्रेन कर सकते हैं और उनकी परफॉर्मेंस जाँच सकते हैं।
डिफॉल्ट्स को गलत तरीके से नॉन‑डिफॉल्ट अनुमानित करना अप्रत्याशित नुकसान करा सकता है, खासकर तब जब इन लोन का probability of default बहुत कम रहा हो। आप डिफॉल्ट्स के लिए F-1 स्कोर देखकर समझ सकते हैं कि मॉडल डिफॉल्ट्स को कितनी सटीकता से पहचानते हैं।
क्रेडिट डेटा cr_loan_prep और दो ट्रेनिंग कॉलम सेट X और X2 वर्कस्पेस में लोड हैं। मॉडल gbt और gbt2 पहले से ट्रेन किए गए हैं।
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में क्रेडिट रिस्क मॉडलिंग
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Predict the loan_status using each model
____ = gbt.____(____)
____ = gbt2.____(____)
# Print the classification report of the first model
target_names = ['Non-Default', 'Default']
print(____(____, ____, target_names=target_names))
# Print the classification report of the second model
print(____(____, ____, target_names=target_names))