1. Learn
    2. /
  2. Kurser
    3. /
  3. Modelowanie ryzyka kredytowego w Pythonie
Connected

övning

Progi i macierze pomyłek

Wiesz już, jak ustawiać progi dla przypadków niewywiązania się ze zobowiązań – teraz czas sprawdzić, jak wpływa to na ogólną wydajność modelu. Dobrym punktem wyjścia jest analiza efektów za pomocą macierzy pomyłek.

Przypomnij sobie macierz pomyłek przedstawioną poniżej:

Ustaw różne wartości progu prawdopodobieństwa niewywiązania się ze zobowiązań i sprawdź za pomocą macierzy pomyłek, jak zmieniające się wartości wpływają na wydajność modelu.

Ramka danych z predykcjami preds_df oraz model clf_logistic zostały już wczytane do obszaru roboczego.

Instruktioner 1/3

undefined XP
    1
    2
    3
  • Przypisz ponownie wartości kolumny loan_status w ramce preds_df, używając progu 0.5 dla prawdopodobieństwa niewywiązania się ze zobowiązań.
  • Wyświetl macierz pomyłek dla danych y_test i nowych wartości statusu kredytu.