Limiares e matrizes de confusão
Você já viu como definir limiares para inadimplência, mas como isso impacta o desempenho geral? Para avaliar, você pode começar observando os efeitos com matrizes de confusão.
Lembre da matriz de confusão mostrada aqui:
Defina valores diferentes para o limiar na probabilidade de inadimplência e use uma matriz de confusão para ver como a mudança afeta o desempenho do modelo.
O data frame de previsões, preds_df, assim como o modelo clf_logistic, já foram carregados no workspace.
Este exercício faz parte do curso
Modelagem de Risco de Crédito em Python
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Set the threshold for defaults to 0.5
____[____] = ____[____].apply(lambda x: 1 if x > ____ else 0)
# Print the confusion matrix
print(____(____,____[____]))