Selectarea pragului
Există un compromis între metrici precum rata de identificare a nerambursărilor, rata de identificare a nerambursărilor și acuratețea modelului. O metodă simplă de a aproxima un prag de start bun este să analizezi un grafic al tuturor celor trei metrici folosind matplotlib. Cu ajutorul acestui grafic, poți vedea cum evoluează fiecare metrică pe măsură ce modifici valorile pragului și poți identifica punctul în care performanța tuturor celor trei este suficient de bună pentru a fi utilizată cu datele de credit.
Valorile pragului thresh, valorile ratei de identificare a nerambursărilor def_recalls, valorile ratei de identificare a nerambursărilor non-default nondef_recalls și scorurile de acuratețe accs au fost încărcate în spațiul de lucru. Pentru a face graficul mai ușor de citit, vectorul ticks pentru marcajele axei x a fost de asemenea încărcat.
Acest exercițiu face parte din cursul
Modelarea Riscului de Credit în Python
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
plt.plot(____,____)
plt.plot(____,____)
plt.plot(____,____)
plt.xlabel("Probability Threshold")
plt.xticks(ticks)
plt.legend(["Default Recall","Non-default Recall","Model Accuracy"])
plt.____()