열 선택과 모델 성능
열 조합이 다른 학습용 데이터셋을 만들면 모델 자체와 열 중요도 값이 달라집니다. 그렇다면 열 선택이 달라지면 precision과 recall을 결합한 F-1 점수에도 영향을 줄까요? 이 질문은 서로 다른 두 열 집합으로 두 개의 모델을 학습하고 성능을 비교해 보면 답할 수 있어요.
부도를 정상으로 잘못 예측하면, 해당 대출의 부도 확률이 매우 낮았을 경우에도 예기치 않은 손실이 발생할 수 있습니다. 각 모델이 부도를 얼마나 정확하게 맞히는지 보려면 부도 클래스의 F-1 점수를 활용하세요.
신용 데이터 cr_loan_prep과 두 개의 학습 열 집합 X, X2는 워크스페이스에 로드되어 있습니다. 모델 gbt와 gbt2는 이미 학습되어 있어요.
이 연습은 강의의 일부입니다
Python으로 배우는 신용 리스크 모델링
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# Predict the loan_status using each model
____ = gbt.____(____)
____ = gbt2.____(____)
# Print the classification report of the first model
target_names = ['Non-Default', 'Default']
print(____(____, ____, target_names=target_names))
# Print the classification report of the second model
print(____(____, ____, target_names=target_names))