Comparație cu curbele ROC
Ar trebui să folosești graficele ROC și scorurile AUC pentru a compara cele două modele. Uneori, vizualizările te ajută cu adevărat – atât pe tine, cât și pe potențialii utilizatori din business – să înțelegi diferențele dintre modelele analizate.
Având graficul în minte, vei fi mai bine pregătit să iei o decizie. Lift-ul reprezintă distanța dintre curbă și predicția aleatoare. AUC este aria dintre curbă și predicția aleatoare. Modelul cu un lift mai mare și un AUC mai ridicat este cel mai precis în realizarea predicțiilor.
Modelele antrenate clf_logistic și clf_gbt au fost încărcate în spațiul de lucru. Predicțiile pentru probabilitatea de nerambursare clf_logistic_preds și clf_gbt_preds au fost, de asemenea, încărcate.
Acest exercițiu face parte din cursul
Modelarea Riscului de Credit în Python
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# ROC chart components
fallout_lr, sensitivity_lr, thresholds_lr = ____(____, ____)
fallout_gbt, sensitivity_gbt, thresholds_gbt = ____(____, ____)
# ROC Chart with both
plt.plot(____, ____, color = 'blue', label='%s' % 'Logistic Regression')
plt.plot(____, ____, color = 'green', label='%s' % 'GBT')
plt.plot([0, 1], [0, 1], linestyle='--', label='%s' % 'Random Prediction')
plt.title("ROC Chart for LR and GBT on the Probability of Default")
plt.xlabel('Fall-out')
plt.ylabel('Sensitivity')
plt.legend()
plt.show()