ประสิทธิภาพของโมเดลที่ใช้ข้อมูล Undersample
คุณได้ทำ undersample ชุดข้อมูล training และเทรนโมเดลบนชุดข้อมูลที่ undersample แล้ว
ประสิทธิภาพของการพยากรณ์จากโมเดลไม่เพียงส่งผลต่อความน่าจะเป็นของการผิดนัดชำระในชุดทดสอบเท่านั้น แต่ยังส่งผลต่อการให้คะแนนใบสมัครสินเชื่อใหม่ที่เข้ามาด้วย นอกจากนี้ คุณรู้แล้วว่า recall ของการผิดนัดชำระนั้นสำคัญมากเป็นพิเศษ เพราะการพยากรณ์ว่า default เป็น non-default มีต้นทุนที่สูงกว่า
ขั้นตอนสำคัญต่อไปคือการเปรียบเทียบประสิทธิภาพของโมเดลใหม่กับโมเดลเดิม โดยผลการพยากรณ์จากโมเดลเดิมถูกเก็บไว้ในตัวแปร gbt_preds และผลการพยากรณ์จากโมเดลใหม่ถูกเก็บไว้ในตัวแปร gbt2_preds
ผลการพยากรณ์ gbt_preds และ gbt2_preds รวมถึง y_test ถูกโหลดไว้ใน workspace เรียบร้อยแล้ว
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การสร้างโมเดลความเสี่ยงด้านเครดิตด้วย Python
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# Check the classification reports
target_names = ['Non-Default', 'Default']
print(____(y_test, ____, target_names=target_names))
print(____(y_test, ____, target_names=target_names))