Kalibreringskurvor
Du vet nu att den gradientförstärkta beslutsträdsmodellen clf_gbt har den bästa övergripande prestandan. För att se hur stabil standardprediktionsprestandan är över olika sannolikheter behöver du kontrollera kalibreringen av de två modellerna. Det gör du med hjälp av ett diagram över varje modells kalibrering, genom att anropa funktionen calibration_curve().
Kalibreringskurvor kan kräva många kodrader i Python, så du går igenom varje steg noggrant för att lägga till de olika komponenterna.
De två uppsättningarna prediktioner clf_logistic_preds och clf_gbt_preds har redan lästs in i arbetsytan. Dessutom har resultaten från calibration_curve() för varje modell lästs in som: frac_of_pos_lr, mean_pred_val_lr, frac_of_pos_gbt och mean_pred_val_gbt.
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.
# 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.____()