Kurva kalibrasi
Sekarang Anda tahu bahwa gradient boosted tree clf_gbt memiliki kinerja keseluruhan terbaik. Anda perlu memeriksa kalibrasi dari kedua model untuk melihat seberapa stabil kinerja prediksi gagal bayar di berbagai probabilitas. Anda dapat menggunakan bagan kalibrasi tiap model untuk memeriksanya dengan memanggil fungsi calibration_curve().
Kurva kalibrasi bisa memerlukan banyak baris kode di Python, jadi Anda akan melalui setiap langkah secara perlahan untuk menambahkan berbagai komponen.
Dua himpunan prediksi clf_logistic_preds dan clf_gbt_preds telah dimuat ke dalam workspace. Selain itu, keluaran dari calibration_curve() untuk tiap model telah dimuat sebagai: frac_of_pos_lr, mean_pred_val_lr, frac_of_pos_gbt, dan mean_pred_val_gbt.
Latihan ini adalah bagian dari kursus
Pemodelan Risiko Kredit dengan Python
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
# Create the calibration curve plot with the guideline
plt.____([0, 1], [0, 1], 'k:', label=____)
plt.____('Fraction of positives')
plt.____('Average Predicted Probability')
plt.legend()
plt.title('Calibration Curve')
plt.____()