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, kursun bir parçasıdır
Python ile Kredi Riski Modellemesi
Egzersiz talimatları
preds'ten yalnızca temerrüt olasılıklarını içeren vepreds_dfadını verdiğin bir veri çerçevesi oluştur.preds_dfiçinde temerrüt olasılığı için0.50eşik değerine göreloan_statusdeğerlerini yeniden ata.- Her bir
loan_statusiçin satır sayılarının değer sayılarını yazdır. y_testvepreds_dfkullanarak sınıflandırma raporunu yazdır.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# 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))