Kinerja pohon dengan undersampling
Anda telah melakukan undersampling pada himpunan data latih dan melatih model pada himpunan yang telah di-undersample.
Kinerja prediksi model tidak hanya memengaruhi probabilitas gagal bayar pada himpunan uji, tetapi juga memengaruhi penskoran aplikasi pinjaman baru yang masuk. Anda juga kini tahu bahwa recall untuk kelas gagal bayar harus tinggi, karena prediksi gagal bayar yang salah diklasifikasikan sebagai bukan gagal bayar berbiaya lebih mahal.
Langkah penting berikutnya adalah membandingkan kinerja model baru dengan model asli. Prediksi asli disimpan sebagai gbt_preds dan prediksi model baru disimpan sebagai gbt2_preds.
Prediksi model gbt_preds dan gbt2_preds sudah tersedia di workspace bersama dengan y_test.
Latihan ini adalah bagian dari kursus
Pemodelan Risiko Kredit dengan Python
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
# Check the classification reports
target_names = ['Non-Default', 'Default']
print(____(y_test, ____, target_names=target_names))
print(____(y_test, ____, target_names=target_names))