Jämförelse med ROC-kurvor
Använd ROC-kurvor och AUC-poäng för att jämföra de två modellerna. Ibland kan visualiseringar verkligen hjälpa dig och potentiella affärsanvändare att förstå skillnaderna mellan de modeller som utvärderas.
Med grafen i åtanke får du ett bättre underlag för ditt beslut. Lyftet (lift) är hur långt kurvan befinner sig från slumpmässig prediktion. AUC är ytan mellan kurvan och den slumpmässiga prediktionen. Den modell med större lyft och högre AUC är den som gör mer träffsäkra prediktioner.
De tränade modellerna clf_logistic och clf_gbt har lästs in i arbetsytan. Prediktionerna för sannolikheten för fallissemang, clf_logistic_preds och clf_gbt_preds, har också lästs in.
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.
# ROC chart components
fallout_lr, sensitivity_lr, thresholds_lr = ____(____, ____)
fallout_gbt, sensitivity_gbt, thresholds_gbt = ____(____, ____)
# ROC Chart with both
plt.plot(____, ____, color = 'blue', label='%s' % 'Logistic Regression')
plt.plot(____, ____, color = 'green', label='%s' % 'GBT')
plt.plot([0, 1], [0, 1], linestyle='--', label='%s' % 'Random Prediction')
plt.title("ROC Chart for LR and GBT on the Probability of Default")
plt.xlabel('Fall-out')
plt.ylabel('Sensitivity')
plt.legend()
plt.show()