보정 곡선 (Calibration curves)
이제 gradient boosted tree 모델 clf_gbt가 전반적으로 가장 성능이 좋다는 것을 아셨어요. 확률 구간 전반에서 부도 예측 성능이 얼마나 안정적인지 확인하려면 두 모델의 보정 상태를 점검해야 해요. 이를 위해 각 모델의 보정 차트를 확인하는데, calibration_curve() 함수를 사용할 수 있어요.
보정 곡선은 Python에서 코드 줄 수가 많아질 수 있으므로, 각 구성 요소를 차근차근 추가하는 과정을 단계별로 진행할게요.
두 예측 결과 clf_logistic_preds와 clf_gbt_preds는 이미 작업 공간에 로드되어 있어요. 또한 각 모델에 대해 calibration_curve()의 출력도 다음과 같이 로드되어 있어요: frac_of_pos_lr, mean_pred_val_lr, frac_of_pos_gbt, mean_pred_val_gbt.
이 연습은 강의의 일부입니다
Python으로 배우는 신용 리스크 모델링
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# 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.____()