Ytterligare en omgång beskärning baserat på AUC
I videon såg du hur den "fullständiga" logistiska regressionsmodellen med en logit-länkfunktion beskars baserat på AUC. Du såg hur variabeln home_ownership togs bort från modellen, eftersom det förbättrade det totala AUC-värdet. Efter att ha upprepat processen i ytterligare två omgångar togs variablerna age och ir_cat bort, vilket ledde till modellen:
log_3_remove_ir <- glm(loan_status ~ loan_amnt + grade + annual_inc + emp_cat, family = binomial, data = training_set)
med ett AUC på 0,6545. Nu är det din tur att undersöka om AUC kan förbättras ytterligare genom att ta bort en variabel till från modellen.
Den här övningen är en del av kursen
Kreditriskmodellering i R
Övningsinstruktioner
- Ta bort en variabel i taget från modellen
log_3_remove_ir. Kom ihåg att du ska använda standardlänkfunktionen (logit). - Gör sannolikhetsprediktioner för fallissemang för var och en av modellerna du skapade.
- Använd funktionen
auc()medtest_set$loan_statussom första argument och prediktionerna för var och en av de fyra modellerna som andra argument för att beräkna AUC för respektive modell. - Kopiera namnet på det objekt (enligt det första steget i övningen) som representerar modellen med bäst AUC.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Build four models each time deleting one variable in log_3_remove_ir
log_4_remove_amnt <- glm(loan_status ~ grade + annual_inc + emp_cat,
family = binomial, data = training_set)
log_4_remove_grade <-
log_4_remove_inc <-
log_4_remove_emp <-
# Make PD-predictions for each of the models
pred_4_remove_amnt <- predict(log_4_remove_amnt, newdata = test_set, type = "response")
pred_4_remove_grade <-
pred_4_remove_inc <-
pred_4_remove_emp <-
# Compute the AUCs