1. 学ぶ
    2. /
  2. コース
    3. /
  3. Modelowanie ryzyka kredytowego w Pythonie
Connected

演習

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.

指示1 / 2

undefined XP
    1
    2
  • Użyj zarówno gbt, jak i gbt2, aby przewidzieć loan_status, i zapisz wyniki odpowiednio w gbt_preds i gbt2_preds.
  • Wydrukuj classification_report() pierwszego modelu.
  • Wydrukuj classification_report() drugiego modelu.