Compararea rapoartelor de model
Ai folosit modele de regresie logistică și arbori cu gradient boosting. Este momentul să le compari pentru a decide care dintre ele va fi folosit pentru predicțiile finale.
Unul dintre cei mai simpli pași de început pentru a compara capacitatea diferitelor modele de a prezice probabilitatea de default este să analizezi metricile din classification_report(). Astfel, poți vedea mai multe scoruri de evaluare alăturate pentru fiecare model. Deoarece datele și modelele sunt de obicei dezechilibrate – cu puține cazuri de default –, concentrează-te pentru moment pe metricile aferente acestora.
Modelele antrenate clf_logistic și clf_gbt au fost încărcate în spațiul de lucru, împreună cu predicțiile lor preds_df_lr și preds_df_gbt. Pentru fiecare a fost folosit un prag de 0.4. Setul de testare y_test este, de asemenea, disponibil.
Acest exercițiu face parte din cursul
Modelarea Riscului de Credit în Python
Instrucțiuni pentru exercițiu
- Afișează
classification_report()pentru predicțiile regresiei logistice. - Afișează
classification_report()pentru predicțiile arborelui cu gradient boosting. - Afișează
macro averageal scorului F-1 pentru regresia logistică folosindprecision_recall_fscore_support(). - Afișează
macro averageal scorului F-1 pentru arborele cu gradient boosting folosindprecision_recall_fscore_support().
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# Print the logistic regression classification report
target_names = ['Non-Default', 'Default']
print(____(____, ____['loan_status'], target_names=target_names))
# Print the gradient boosted tree classification report
print(____(____, ____['loan_status'], target_names=target_names))
# Print the default F-1 scores for the logistic regression
print(____(____,____['loan_status'], average = 'macro')[2])
# Print the default F-1 scores for the gradient boosted tree
print(____(____,____['loan_status'], average = 'macro')[2])