Prestanda för undersamplad beslutsträdsmodell
Du har undersamplat träningsdatan och tränat en modell på det undersamplade datasetet.
Modellens förutsägelser påverkar inte bara sannolikheten för betalningsförsummelse i testdatan, utan även bedömningen av nya låneansökningar som kommer in. Du vet nu också att det är extra viktigt att återkallningsgraden för betalningsförsummelser är hög – eftersom en förutsagd icke-försummelse som i själva verket är en försummelse är mer kostsam.
Nästa viktiga steg är att jämföra den nya modellens prestanda med den ursprungliga modellens. De ursprungliga förutsägelserna lagras som gbt_preds och den nya modellens förutsägelser som gbt2_preds.
Modellförutsägelserna gbt_preds och gbt2_preds finns redan lagrade i arbetsytan tillsammans med y_test.
Den här övningen är en del av kursen
Kreditriskmodellering i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Check the classification reports
target_names = ['Non-Default', 'Default']
print(____(y_test, ____, target_names=target_names))
print(____(y_test, ____, target_names=target_names))