Confronto con le ROC
Dovresti usare i grafici ROC e i punteggi AUC per confrontare i due modelli. A volte, le visualizzazioni aiutano davvero te e i potenziali utenti di business a capire le differenze tra i vari modelli in esame.
Con il grafico in mente, sarai più attrezzato per prendere una decisione. Il lift indica quanto la curva si discosta dalla previsione casuale. L’AUC è l’area tra la curva e la previsione casuale. Il modello con più lift e un’AUC più alta è quello che fa previsioni più accurate.
I modelli addestrati clf_logistic e clf_gbt sono stati caricati nello spazio di lavoro. Anche le previsioni della probabilità di default clf_logistic_preds e clf_gbt_preds sono state caricate.
Questo esercizio fa parte del corso
Credit Risk Modeling in Python
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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()