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

ćwiczenie

Krzywe kalibracji

Wiesz już, że gradient boosted tree clf_gbt osiąga najlepszą ogólną wydajność. Teraz sprawdź kalibrację obu modeli, aby ocenić, jak stabilna jest domyślna skuteczność predykcji w całym zakresie prawdopodobieństw. Możesz to zrobić, rysując wykres kalibracji dla każdego modelu za pomocą funkcji calibration_curve().

Krzywe kalibracji wymagają wielu linii kodu w Pythonie, dlatego każdy krok omówimy po kolei, dodając poszczególne elementy.

Dwa zestawy predykcji – clf_logistic_preds i clf_gbt_preds – zostały już wczytane do przestrzeni roboczej. Wczytane zostały też wyniki funkcji calibration_curve() dla każdego modelu: frac_of_pos_lr, mean_pred_val_lr, frac_of_pos_gbt oraz mean_pred_val_gbt.

Instrukcje 1/3

undefined XP
    1
    2
    3
  • Utwórz wykres kalibracji za pomocą plot(), zaczynając od linii odniesienia idealnej kalibracji i nadaj jej etykietę 'Perfectly calibrated'. Następnie dodaj etykiety kolejno dla osi y i osi x.