Curvas de calibração
Agora você sabe que a árvore impulsionada por gradiente clf_gbt tem o melhor desempenho geral. Você precisa verificar a calibração dos dois modelos para ver quão estável é o desempenho da previsão padrão entre as probabilidades. Você pode usar um gráfico de calibração de cada modelo para verificar isso, chamando a função calibration_curve().
As curvas de calibração podem exigir muitas linhas de código em python, portanto, você passará por cada etapa lentamente para adicionar os diferentes componentes.
Os dois conjuntos de previsões clf_logistic_preds e clf_gbt_preds já foram carregados no espaço de trabalho. Além disso, o resultado de calibration_curve() para cada modelo foi carregado 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 preenchendo 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.____()