Kalibratiecurves
Je weet nu dat de gradient boosted tree clf_gbt de beste algehele prestaties heeft. Je moet de kalibratie van de twee modellen controleren om te zien hoe stabiel de voorspellingsprestaties zijn bij verschillende waarschijnlijkheden. Je kunt hiervoor per model een kalibratiegrafiek gebruiken door de functie calibration_curve() aan te roepen.
Kalibratiecurves kunnen in Python veel code vereisen, dus je doorloopt elke stap rustig om de verschillende onderdelen toe te voegen.
De twee sets voorspellingen clf_logistic_preds en clf_gbt_preds zijn al in de workspace geladen. Ook de output van calibration_curve() voor elk model is geladen als: frac_of_pos_lr, mean_pred_val_lr, frac_of_pos_gbt en mean_pred_val_gbt.
Deze oefening maakt deel uit van de cursus
Kredietrisicomodellering in Python
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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.____()