Membandingkan dengan ROC
Anda sebaiknya menggunakan grafik ROC dan skor AUC untuk membandingkan dua model. Terkadang, visual dapat sangat membantu Anda dan calon pengguna bisnis memahami perbedaan antar berbagai model yang dipertimbangkan.
Dengan grafik tersebut, Anda akan lebih siap mengambil keputusan. Lift menunjukkan seberapa jauh kurva dari prediksi acak. AUC adalah luas area antara kurva dan prediksi acak. Model dengan lift lebih besar dan AUC lebih tinggi adalah model yang lebih baik dalam membuat prediksi secara akurat.
Model terlatih clf_logistic dan clf_gbt telah dimuat ke workspace. Prediksi probabilitas gagal bayar clf_logistic_preds dan clf_gbt_preds juga telah dimuat.
Latihan ini adalah bagian dari kursus
Pemodelan Risiko Kredit dengan Python
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
# ROC chart components
fallout_lr, sensitivity_lr, thresholds_lr = ____(____, ____)
fallout_gbt, sensitivity_gbt, thresholds_gbt = ____(____, ____)
# ROC Chart with both
plt.plot(____, ____, color = 'blue', label='%s' % 'Logistic Regression')
plt.plot(____, ____, color = 'green', label='%s' % 'GBT')
plt.plot([0, 1], [0, 1], linestyle='--', label='%s' % 'Random Prediction')
plt.title("ROC Chart for LR and GBT on the Probability of Default")
plt.xlabel('Fall-out')
plt.ylabel('Sensitivity')
plt.legend()
plt.show()