임곗값과 혼동 행렬
부도를 예측할 때 임곗값을 설정해 보았는데요, 이것이 전체 성능에는 어떤 영향을 줄까요? 이를 확인하려면 혼동 행렬로 효과를 살펴보면 됩니다.
혼동 행렬은 다음과 같습니다:
부도 확률의 임곗값을 여러 값으로 설정하고, 혼동 행렬을 사용해 값이 바뀔 때 모델 성능이 어떻게 달라지는지 확인해 보세요.
예측 결과 데이터 프레임 preds_df와 모델 clf_logistic이 작업 공간에 로드되어 있어요.
이 연습은 강의의 일부입니다
Python으로 배우는 신용 리스크 모델링
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# Set the threshold for defaults to 0.5
____[____] = ____[____].apply(lambda x: 1 if x > ____ else 0)
# Print the confusion matrix
print(____(____,____[____]))