Określanie progu odcięcia
Pokazaliśmy ci, jak dobór progu odcięcia może zaważyć na jakości macierzy pomyłek. Teraz nauczysz się, jak przekształcić wektor predykcji na wektor wartości binarnych, wskazujących status kredytu. Pomocna będzie tutaj funkcja ifelse() w R.
Stosując funkcję ifelse() w kontekście progu odcięcia, możesz napisać coś takiego:
ifelse(predictions > 0.3, 1, 0)
W pierwszym argumencie sprawdzasz, czy dana wartość w wektorze predykcji jest większa niż 0,3. Jeśli tak (TRUE), R zwraca „1" (określone w drugim argumencie); jeśli nie (FALSE), R zwraca „0" (określone w trzecim argumencie) — oznaczające odpowiednio „niewywiązanie się ze zobowiązania" i „brak niewywiązania się ze zobowiązania".
To ćwiczenie jest częścią kursu
Modelowanie ryzyka kredytowego w R
Instrukcje do ćwiczenia
- Kod pełnego modelu regresji logistycznej wraz z wektorem predykcji jest już dostępny w konsoli.
- Używając progu odcięcia równego 0,15, utwórz wektor
pred_cutoff_15za pomocą funkcjiifelse()i zmiennejpredictions_all_full. - Sprawdź macierz pomyłek przy użyciu funkcji
table()(w pierwszym argumencie podaj prawdziwe wartości, czylitest_set$loan_status).
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# The code for the logistic regression model and the predictions is given below
log_model_full <- glm(loan_status ~ ., family = "binomial", data = training_set)
predictions_all_full <- predict(log_model_full, newdata = test_set, type = "response")
# Make a binary predictions-vector using a cut-off of 15%
# Construct a confusion matrix