Desempenho da árvore com undersampling
Você fez undersampling no conjunto de treino e treinou um modelo nesse conjunto reduzido.
O desempenho das previsões do modelo impacta não só a probabilidade de inadimplência no conjunto de teste, mas também a pontuação de novas solicitações de empréstimo conforme chegam. Você também sabe agora que é ainda mais importante que o recall de inadimplências seja alto, porque uma inadimplência prevista como não inadimplência é mais custosa.
O próximo passo crucial é comparar o desempenho do novo modelo com o modelo original. As previsões originais estão armazenadas em gbt_preds e as previsões do novo modelo em gbt2_preds.
As previsões dos modelos gbt_preds e gbt2_preds já estão salvas no workspace, além de y_test.
Este exercício faz parte do curso
Modelagem de Risco de Crédito em Python
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Check the classification reports
target_names = ['Non-Default', 'Default']
print(____(y_test, ____, target_names=target_names))
print(____(y_test, ____, target_names=target_names))