Curvas de calibração
Agora você sabe que a árvore com gradient boosting clf_gbt tem o melhor desempenho geral. Você precisa verificar a calibração dos dois modelos para ver quão estável é o desempenho de predição do default ao longo das probabilidades. Você pode usar um gráfico de calibração de cada modelo para checar isso chamando a função calibration_curve().
As curvas de calibração podem exigir muitas linhas de código em Python, então você vai passar por cada etapa com calma para adicionar os diferentes componentes.
Os dois conjuntos de previsões, clf_logistic_preds e clf_gbt_preds, já foram carregados no ambiente. Além disso, a saída de calibration_curve() para cada modelo foi carregada como: frac_of_pos_lr, mean_pred_val_lr, frac_of_pos_gbt e mean_pred_val_gbt.
Este exercício faz parte do curso
Modelagem de Risco de Crédito em Python
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Create the calibration curve plot with the guideline
plt.____([0, 1], [0, 1], 'k:', label=____)
plt.____('Fraction of positives')
plt.____('Average Predicted Probability')
plt.legend()
plt.title('Calibration Curve')
plt.____()