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.
To ćwiczenie jest częścią kursu
Modelowanie ryzyka kredytowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Check the classification reports
target_names = ['Non-Default', 'Default']
print(____(y_test, ____, target_names=target_names))
print(____(y_test, ____, target_names=target_names))