Кривые калибровки
Вы уже знаете, что градиентный бустинг clf_gbt показывает наилучшую общую производительность. Теперь нужно проверить калибровку обеих моделей, чтобы убедиться в стабильности предсказаний по всему диапазону вероятностей. Для этого воспользуйтесь функцией calibration_curve() и постройте кривые калибровки для каждой модели.
Построение кривых калибровки в Python требует нескольких шагов, поэтому вы будете добавлять компоненты графика постепенно.
Наборы предсказаний clf_logistic_preds и clf_gbt_preds уже загружены в рабочую среду. Также загружены результаты calibration_curve() для каждой модели: frac_of_pos_lr, mean_pred_val_lr, frac_of_pos_gbt и mean_pred_val_gbt.
Это упражнение является частью курса
Моделирование кредитного риска на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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.____()