शुरू करेंमुफ़्त में शुरू करें

मॉडल रिपोर्ट्स की तुलना

आपने logistic regression मॉडल और gradient boosted trees का इस्तेमाल किया है. अब इन दोनों की तुलना करने का समय है ताकि तय किया जा सके कि अंतिम प्रेडिक्शन्स के लिए कौन सा मॉडल लिया जाए.

डिफॉल्ट की प्रायिकता (probability of default) की भविष्यवाणी करने की क्षमता की शुरुआती तुलना करने का आसान तरीका है classification_report() की मेट्रिक्स देखना. इससे आप हर मॉडल के लिए कई स्कोरिंग मेट्रिक्स को साथ-साथ देख सकते हैं. क्योंकि डेटा और मॉडल आम तौर पर असंतुलित होते हैं और डिफॉल्ट्स कम होते हैं, फिलहाल डिफॉल्ट क्लास की मेट्रिक्स पर ध्यान दें.

ट्रेंड मॉडल clf_logistic और clf_gbt व उनकी प्रेडिक्शन्स preds_df_lr और preds_df_gbt वर्कस्पेस में लोड हैं. दोनों के लिए 0.4 का cutoff इस्तेमाल किया गया है. टेस्ट सेट y_test भी उपलब्ध है.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में क्रेडिट रिस्क मॉडलिंग

पाठ्यक्रम देखें

अभ्यास निर्देश

  • logistic regression प्रेडिक्शन्स के लिए classification_report() प्रिंट करें.
  • gradient boosted tree प्रेडिक्शन्स के लिए classification_report() प्रिंट करें.
  • logistic regression के लिए precision_recall_fscore_support() का उपयोग करके F-1 Score का macro average प्रिंट करें.
  • gradient boosted tree के लिए precision_recall_fscore_support() का उपयोग करके F-1 Score का macro average प्रिंट करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Print the logistic regression classification report
target_names = ['Non-Default', 'Default']
print(____(____, ____['loan_status'], target_names=target_names))

# Print the gradient boosted tree classification report
print(____(____, ____['loan_status'], target_names=target_names))

# Print the default F-1 scores for the logistic regression
print(____(____,____['loan_status'], average = 'macro')[2])

# Print the default F-1 scores for the gradient boosted tree
print(____(____,____['loan_status'], average = 'macro')[2])
कोड संपादित करें और चलाएँ