Bygga mer diskriminerande modeller

I föregående övning var spannet för de förutsagda sannolikheterna för fallissemang ganska litet. Som nämnts är låga förutsagda fallissemangssannolikheter att vänta sig vid låga fallissemangsnivåer, men genom att bygga större modeller – det vill säga inkludera fler prediktorer – kan du bredda spannet för dina förutsägelser.

Om detta i slutändan leder till bättre förutsägelser behöver fortfarande valideras och beror på kvaliteten hos de nyligen inkluderade prediktorerna. Men börja med att titta på hur större modeller kan utöka spannet.

Den här övningen är en del av kursen

Kreditriskmodellering i R

Visa kurs

Övningsinstruktioner

Skapa log_model_full på samma sätt som du skapade log_model_small, men inkludera den här gången alla tillgängliga prediktorer i datamängden. Om du inte vill skriva in namnet på varje kolumn separat kan du välja alla variabler med loan_status ~ .
Skapa prediktionsvektorn predictions_all_full för alla observationer i testmängden med hjälp av predict(). Notera att dessa värden representerar sannolikheten för fallissemang.
Undersök spannet för förutsägelserna.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Change the code below to construct a logistic regression model using all available predictors in the data set
log_model_small <- glm(loan_status ~ age + ir_cat, family = "binomial", data = training_set)

# Make PD-predictions for all test set elements using the the full logistic regression model


# Look at the predictions range

Redigera och kör kod