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

ćwiczenie

Wizualna ocena modeli kredytowych

Teraz zwizualizujesz wydajność modelu. Na wykresach ROC osie X i Y odpowiadają dwóm metrykom, które już poznałeś: wskaźnikowi fałszywie pozytywnych wyników (fall-out) oraz wskaźnikowi prawdziwie pozytywnych wyników (czułości).

Wykres ROC możesz utworzyć za pomocą następującego kodu:

fallout, sensitivity, thresholds = roc_curve(y_test, prob_default)
plt.plot(fallout, sensitivity)

Do obliczenia wskaźnika AUC użyj funkcji roc_auc_score().

Dane kredytowe cr_loan_prep wraz ze zbiorami X_test i y_test zostały wczytane do przestrzeni roboczej. Wytrenowany model LogisticRegression() o nazwie clf_logistic również jest dostępny w przestrzeni roboczej.

Instrukcje

100 XP
  • Utwórz zestaw prognoz prawdopodobieństwa niewywiązania się ze zobowiązań i zapisz je w zmiennej preds.
  • Wyświetl dokładność modelu na zbiorach testowych X i y.
  • Użyj roc_curve() na danych testowych i prawdopodobieństwach niewywiązania się ze zobowiązań, aby utworzyć zmienne fallout i sensitivity. Następnie narysuj wykres ROC z fallout na osi X.
  • Oblicz wskaźnik AUC modelu, używając danych testowych i prawdopodobieństw niewywiązania się ze zobowiązań, i zapisz wynik w zmiennej auc.