Отбор признаков и качество модели
Формирование обучающей выборки из разных комбинаций признаков влияет на модель и на значения важности столбцов. Но влияет ли выбор признаков на F-1 score — метрику, объединяющую precision и recall? Чтобы ответить на этот вопрос, обучите две модели на двух разных наборах признаков и сравните их качество.
Неправильное предсказание дефолта как не-дефолта может привести к неожиданным убыткам, особенно если вероятность дефолта по таким кредитам была очень низкой. F-1 score для класса дефолтов позволяет оценить, насколько точно модели предсказывают дефолты.
Кредитные данные cr_loan_prep, два набора обучающих признаков X и X2, а также модели gbt и gbt2 уже загружены в рабочую среду.
Это упражнение является частью курса
Моделирование кредитного риска на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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))