Performanța arborelui antrenat pe date subeșantionate
Ai subeșantionat setul de antrenament și ai antrenat un model pe setul subeșantionat.
Performanța predicțiilor modelului influențează nu doar probabilitatea de nerambursare pe setul de testare, ci și scorarea noilor cereri de credit pe măsură ce acestea sunt primite. De asemenea, știi acum că este și mai important ca rata de identificare corectă a cazurilor de nerambursare să fie ridicată, deoarece un caz de nerambursare prezis ca rambursare are un cost mai mare.
Următorul pas esențial este să compari performanța noului model cu cea a modelului original. Predicțiile originale sunt stocate ca gbt_preds, iar predicțiile noului model ca gbt2_preds.
Predicțiile gbt_preds și gbt2_preds sunt deja disponibile în spațiul de lucru, alături de y_test.
Acest exercițiu face parte din cursul
Modelarea Riscului de Credit în Python
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# Check the classification reports
target_names = ['Non-Default', 'Default']
print(____(y_test, ____, target_names=target_names))
print(____(y_test, ____, target_names=target_names))