รายงานการจำแนกประเภทการผิดนัดชำระ

ถึงเวลาเจาะลึกการประเมินโมเดลแล้ว การกำหนด threshold สำหรับความน่าจะเป็นของการผิดนัดชำระจะช่วยให้วิเคราะห์ประสิทธิภาพของโมเดลผ่าน classification report ได้อย่างมีประสิทธิภาพ

การสร้าง data frame จากค่าความน่าจะเป็นช่วยให้ทำงานกับข้อมูลได้สะดวกขึ้น เพราะสามารถใช้ความสามารถทั้งหมดของ pandas ได้เต็มที่ นำ threshold ไปใช้กับข้อมูล แล้วตรวจสอบ value counts ของทั้งสองคลาสใน loan_status เพื่อดูว่ามีการทำนายแต่ละคลาสกี่รายการ ซึ่งจะช่วยให้เข้าใจคะแนนจาก classification report ได้ดียิ่งขึ้น

ชุดข้อมูล cr_loan_prep, โมเดล logistic regression ที่ฝึกแล้ว clf_logistic, ค่าสถานะสินเชื่อจริง y_test และค่าความน่าจะเป็นที่ทำนายไว้ preds ถูกโหลดไว้ใน workspace แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การสร้างโมเดลความเสี่ยงด้านเครดิตด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

สร้าง data frame เฉพาะค่าความน่าจะเป็นของการผิดนัดชำระจาก preds ชื่อ preds_df
กำหนดค่า loan_status ใหม่โดยใช้ threshold ที่ 0.50 สำหรับความน่าจะเป็นของการผิดนัดชำระใน preds_df
แสดง value counts ของจำนวนแถวในแต่ละ loan_status
แสดง classification report โดยใช้ y_test และ preds_df

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Create a dataframe for the probabilities of default
____ = pd.____(____[:,1], columns = ['prob_default'])

# Reassign loan status based on the threshold
____[____] = ____[____].apply(lambda x: 1 if x > ____ else 0)

# Print the row counts for each loan status
print(____[____].____())

# Print the classification report
target_names = ['Non-Default', 'Default']
print(____(____, ____['loan_status'], target_names=target_names))

แก้ไขและรันโค้ด