Prestazioni dell'albero con undersampling
Hai effettuato l'undersampling del set di training e addestrato un modello sul set sottocampionizzato.
Le prestazioni delle predizioni del modello incidono non solo sulla probabilità di default nel set di test, ma anche sullo scoring delle nuove richieste di prestito man mano che arrivano. Ora sai anche che è ancora più importante avere un recall dei default elevato, perché un default previsto come non-default è più costoso.
Il prossimo passo fondamentale è confrontare le prestazioni del nuovo modello con quelle del modello originale. Le predizioni originali sono memorizzate in gbt_preds e quelle del nuovo modello in gbt2_preds.
Le predizioni dei modelli gbt_preds e gbt2_preds sono già disponibili nell'area di lavoro, insieme a y_test.
Questo esercizio fa parte del corso
Credit Risk Modeling in Python
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Check the classification reports
target_names = ['Non-Default', 'Default']
print(____(y_test, ____, target_names=target_names))
print(____(y_test, ____, target_names=target_names))