Curve di calibrazione
Ora sai che l'albero potenziato con gradienti clf_gbt ha le migliori prestazioni complessive. Devi controllare la calibrazione dei due modelli per vedere quanto è stabile la performance delle predizioni di default al variare delle probabilità. Puoi verificarlo con un grafico di calibrazione di ciascun modello chiamando la funzione calibration_curve().
Le curve di calibrazione possono richiedere molte righe di codice in Python, quindi procederai passo dopo passo aggiungendo i vari componenti.
I due insiemi di predizioni clf_logistic_preds e clf_gbt_preds sono già stati caricati nell'ambiente di lavoro. Inoltre, l'output di calibration_curve() per ciascun modello è stato caricato come: frac_of_pos_lr, mean_pred_val_lr, frac_of_pos_gbt e mean_pred_val_gbt.
Questo esercizio fa parte del corso
Credit Risk Modeling in Python
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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.____()