Selectarea coloanelor și performanța modelului
Crearea setului de antrenament din combinații diferite de coloane influențează modelul și valorile de importanță ale coloanelor. Oare o selecție diferită de coloane afectează și scorurile F-1 – combinația dintre precision și recall – ale modelului? Poți răspunde la această întrebare antrenând două modele diferite pe două seturi diferite de coloane și verificând performanța.
Prezicerea incorectă a nerambursărilor ca ne-nerambursări poate duce la pierderi neașteptate dacă probabilitatea de nerambursare pentru aceste credite era foarte mică. Poți folosi scorul F-1 pentru nerambursări ca să vezi cât de precis prezic modelele aceste cazuri.
Datele de credit, cr_loan_prep, și cele două seturi de coloane de antrenament, X și X2, au fost încărcate în spațiul de lucru. Modelele gbt și gbt2 au fost deja antrenate.
Acest exercițiu face parte din cursul
Modelarea Riscului de Credit în Python
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# Predict the loan_status using each model
____ = gbt.____(____)
____ = gbt2.____(____)
# Print the classification report of the first model
target_names = ['Non-Default', 'Default']
print(____(____, ____, target_names=target_names))
# Print the classification report of the second model
print(____(____, ____, target_names=target_names))