Tröskelvärden och konfusionsmatriser
Du har tittat på hur man sätter tröskelvärden för fallissemang, men hur påverkar det den övergripande prestandan? Ett bra sätt att undersöka det är att använda konfusionsmatriser.
Här är en påminnelse om hur konfusionsmatrisen ser ut:
Testa olika tröskelvärden för sannolikheten för fallissemang och använd en konfusionsmatris för att se hur förändringarna påverkar modellens prestanda.
Dataramen med prediktioner, preds_df, samt modellen clf_logistic har redan laddats in i arbetsytan.
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.
# Set the threshold for defaults to 0.5
____[____] = ____[____].apply(lambda x: 1 if x > ____ else 0)
# Print the confusion matrix
print(____(____,____[____]))