Kolumnval och modellprestanda
Att skapa träningsuppsättningen från olika kombinationer av kolumner påverkar modellen och kolumnernas viktvärden. Påverkar ett annat kolumnval också modellens F-1-poäng – kombinationen av precision och recall? Du kan besvara den frågan genom att träna två olika modeller på två olika kolumnuppsättningar och jämföra prestandan.
Att felaktigt förutsäga betalningsinställelser som icke-inställelser kan leda till oväntade förluster om sannolikheten för betalningsinställelse för dessa lån var mycket låg. Du kan använda F-1-poängen för betalningsinställelser för att se hur väl modellerna förutsäger dem.
Kreditdata, cr_loan_prep, och de två träningskolumnuppsättningarna X och X2 har laddats in i arbetsutrymmet. Modellerna gbt och gbt2 har redan tränats.
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.
# 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))