Отчёт о классификации дефолтов

Пришло время подробнее рассмотреть оценку модели. Именно здесь установка порога для вероятности дефолта поможет вам проанализировать качество модели с помощью отчёта о классификации.

Создание таблицы данных из вероятностей упрощает работу с ними: вы сможете в полной мере использовать возможности pandas. Примените порог к данным и проверьте количество значений для каждого класса loan_status, чтобы увидеть, сколько предсказаний каждого типа формируется. Это поможет лучше понять оценки из отчёта о классификации.

Набор данных cr_loan_prep, обученная логистическая регрессия clf_logistic, истинные значения статуса кредита y_test и предсказанные вероятности preds загружены в рабочую область.

Это упражнение является частью курса

Моделирование кредитного риска на Python

Посмотреть курс

Инструкции к упражнению

Создайте таблицу данных, содержащую только вероятности дефолта из preds, и назовите её preds_df.
Переназначьте значения loan_status на основе порога 0.50 для вероятности дефолта в preds_df.
Выведите количество строк для каждого значения loan_status.
Выведите отчёт о классификации, используя y_test и preds_df.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Create a dataframe for the probabilities of default
____ = pd.____(____[:,1], columns = ['prob_default'])

# Reassign loan status based on the threshold
____[____] = ____[____].apply(lambda x: 1 if x > ____ else 0)

# Print the row counts for each loan status
print(____[____].____())

# Print the classification report
target_names = ['Non-Default', 'Default']
print(____(____, ____['loan_status'], target_names=target_names))

Редактировать и запускать код