1. Nauka
    2. /
  2. Kursy
    3. /
  3. Modelowanie ryzyka kredytowego w Pythonie
Connected

ćwiczenie

Wydajność modelu na danych z undersamplingu

Zbiór treningowy został poddany undersamplingowi, a model wytrenowano na tym zredukowanym zbiorze.

Wydajność prognoz modelu wpływa nie tylko na prawdopodobieństwo niewywiązania się ze zobowiązania w zbiorze testowym, ale także na ocenę nowych wniosków kredytowych. Wiesz już, że szczególnie ważne jest, by recall dla przypadków niespłacenia kredytu był wysoki – pomylenie takiego przypadku z przypadkiem spłaconego kredytu jest bowiem kosztowniejszym błędem.

Kolejnym kluczowym krokiem jest porównanie wydajności nowego modelu z modelem pierwotnym. Pierwotne prognozy są zapisane jako gbt_preds, a prognozy nowego modelu jako gbt2_preds.

Prognozy modeli gbt_preds i gbt2_preds są już dostępne w środowisku roboczym, podobnie jak y_test.

Instrukcje 1/3

undefined XP
    1
    2
    3
  • Wyświetl classification_report() dla starego i nowego modelu.