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.
To ćwiczenie jest częścią kursu
Modelowanie ryzyka kredytowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Set the threshold for defaults to 0.5
____[____] = ____[____].apply(lambda x: 1 if x > ____ else 0)
# Print the confusion matrix
print(____(____,____[____]))