Temerrüt sınıflandırma raporlaması

Modelin değerlendirmesine daha yakından bakma zamanı. Burada, temerrüt olasılığı için eşik belirlemek, sınıflandırma raporlamasıyla modelin performansını analiz etmene yardımcı olacak.

Olasılıklardan bir veri çerçevesi oluşturmak, onları daha kolay yönetmeni sağlar; çünkü pandas'ın tüm gücünü kullanabilirsin. Eşiği verilere uygula ve her iki loan_status sınıfı için değer sayılarını kontrol ederek her birinden kaç tahmin üretildiğine bak. Bu, sınıflandırma raporundaki puanlara dair içgörü sağlayacak.

cr_loan_prep veri kümesi, eğitilmiş lojistik regresyon clf_logistic, gerçek kredi durumu değerleri y_test ve tahmin edilen olasılıklar preds çalışma alanına yüklendi.

Bu egzersiz

Python ile Kredi Riski Modellemesi

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

preds'ten yalnızca temerrüt olasılıklarını içeren ve preds_df adını verdiğin bir veri çerçevesi oluştur.
preds_df içinde temerrüt olasılığı için 0.50 eşik değerine göre loan_status değerlerini yeniden ata.
Her bir loan_status için satır sayılarının değer sayılarını yazdır.
y_test ve preds_df kullanarak sınıflandırma raporunu yazdır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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))

Kodu Düzenle ve Çalıştır