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

ćwiczenie

Porównanie raportów modeli

W poprzednich ćwiczeniach korzystałeś z modeli regresji logistycznej i wzmocnionych drzew gradientowych. Czas porównać oba modele i zdecydować, który z nich posłuży do generowania ostatecznych prognoz.

Jednym z najprostszych sposobów porównania zdolności modeli do przewidywania prawdopodobieństwa niewywiązania się z zobowiązań jest analiza metryk z classification_report(). Dzięki temu możesz zestawić ze sobą różne wskaźniki oceny dla każdego modelu. Ponieważ dane i modele są zwykle niezrównoważone – przypadków niewywiązania się z zobowiązań jest niewiele – skup się na razie na metrykach dotyczących właśnie tej klasy.

Wytrenowane modele clf_logistic i clf_gbt zostały wczytane do środowiska roboczego wraz z ich prognozami preds_df_lr i preds_df_gbt. Dla każdego z nich zastosowano próg odcięcia 0.4. Dostępny jest również zbiór testowy y_test.

Instrukcje

100 XP
  • Wydrukuj classification_report() dla prognoz regresji logistycznej.
  • Wydrukuj classification_report() dla prognoz wzmocnionego drzewa gradientowego.
  • Wydrukuj macro average wyniku F-1 dla regresji logistycznej, korzystając z precision_recall_fscore_support().
  • Wydrukuj macro average wyniku F-1 dla wzmocnionego drzewa gradientowego, korzystając z precision_recall_fscore_support().