Curbe de calibrare
Acum știi că modelul gradient boosted tree clf_gbt are cea mai bună performanță generală. Trebuie să verifici calibrarea celor două modele pentru a vedea cât de stabilă este performanța implicită a predicțiilor pe întregul interval de probabilități. Poți folosi un grafic al calibrării fiecărui model apelând funcția calibration_curve().
Curbele de calibrare pot necesita multe linii de cod în Python, așa că vei parcurge fiecare pas pe rând pentru a adăuga diferitele componente.
Cele două seturi de predicții clf_logistic_preds și clf_gbt_preds au fost deja încărcate în spațiul de lucru. De asemenea, rezultatele funcției calibration_curve() pentru fiecare model au fost încărcate ca: frac_of_pos_lr, mean_pred_val_lr, frac_of_pos_gbt și mean_pred_val_gbt.
Acest exercițiu face parte din cursul
Modelarea Riscului de Credit în Python
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# Create the calibration curve plot with the guideline
plt.____([0, 1], [0, 1], 'k:', label=____)
plt.____('Fraction of positives')
plt.____('Average Predicted Probability')
plt.legend()
plt.title('Calibration Curve')
plt.____()