Comparando com ROCs
Você deve usar os gráficos ROC e as pontuações AUC para comparar os dois modelos. Às vezes, os recursos visuais podem realmente ajudar você e os possíveis usuários corporativos a entender as diferenças entre os vários modelos em consideração.
Com o gráfico em mente, você estará mais preparado para tomar uma decisão. A elevação é a distância que a curva está da previsão aleatória. O AUC é a área entre a curva e a previsão aleatória. O modelo com mais elevação e um AUC mais alto é aquele que é melhor para fazer previsões precisas.
Os modelos treinados clf_logistic e clf_gbt foram carregados no espaço de trabalho. As previsões para a probabilidade de inadimplência clf_logistic_preds e clf_gbt_preds também foram carregadas.
Este exercício faz parte do curso
Modelagem de risco de crédito em Python
Exercício interativo prático
Experimente este exercício preenchendo este código de exemplo.
# ROC chart components
fallout_lr, sensitivity_lr, thresholds_lr = ____(____, ____)
fallout_gbt, sensitivity_gbt, thresholds_gbt = ____(____, ____)
# ROC Chart with both
plt.plot(____, ____, color = 'blue', label='%s' % 'Logistic Regression')
plt.plot(____, ____, color = 'green', label='%s' % 'GBT')
plt.plot([0, 1], [0, 1], linestyle='--', label='%s' % 'Random Prediction')
plt.title("ROC Chart for LR and GBT on the Probability of Default")
plt.xlabel('Fall-out')
plt.ylabel('Sensitivity')
plt.legend()
plt.show()