Dobór kolumn a wydajność modelu
Tworzenie zbioru treningowego z różnych kombinacji kolumn wpływa na model i na wartości ważności kolumn. Czy inny dobór kolumn wpływa też na wyniki F-1 – czyli połączenie precision i recall – modelu? Możesz odpowiedzieć na to pytanie, trenując dwa różne modele na dwóch różnych zestawach kolumn i porównując ich wydajność.
Niedokładne przewidywanie niespłacanych kredytów jako spłacanych może prowadzić do nieoczekiwanych strat, jeśli prawdopodobieństwo niewywiązania się ze zobowiązania było bardzo niskie. Możesz użyć wyniku F-1 dla przypadków niewywiązania się ze zobowiązania, aby sprawdzić, jak dokładnie modele przewidują takie przypadki.
Dane kredytowe cr_loan_prep oraz dwa zestawy kolumn treningowych X i X2 zostały już wczytane do przestrzeni roboczej. Modele gbt i gbt2 zostały już wytrenowane.
To ćwiczenie jest częścią kursu
Modelowanie ryzyka kredytowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Predict the loan_status using each model
____ = gbt.____(____)
____ = gbt2.____(____)
# Print the classification report of the first model
target_names = ['Non-Default', 'Default']
print(____(____, ____, target_names=target_names))
# Print the classification report of the second model
print(____(____, ____, target_names=target_names))