Kredi modellerini görsel olarak puanlama

Şimdi, modelin performansını görselleştirmek istiyorsun. ROC grafiklerinde X ve Y eksenleri, daha önce baktığın iki metrikten oluşur: yanlış pozitif oranı (fall-out) ve doğru pozitif oranı (duyarlılık).

Aşağıdaki kodla performansına ait bir ROC grafiği oluşturabilirsin:

fallout, sensitivity, thresholds = roc_curve(y_test, prob_default)
plt.plot(fallout, sensitivity)

AUC skorunu hesaplamak için roc_auc_score() kullanırsın.

cr_loan_prep kredi verileri ile X_test ve y_test veri kümeleri çalışma alanına yüklendi. Ayrıca, clf_logistic adlı eğitilmiş bir LogisticRegression() modeli de yüklendi.

Bu egzersiz

Python ile Kredi Riski Modellemesi

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Temerrüt olasılığı için bir tahmin kümesi oluştur ve preds içinde sakla.
Modelin X ve y test kümeleri üzerindeki doğruluk skorunu yazdır.
Test verileri ve temerrüt olasılıklarıyla roc_curve() kullanarak fallout ve sensitivity oluştur. Sonra x ekseninde fallout olacak şekilde bir ROC eğrisi grafiği çiz.
Test verileri ve temerrüt olasılıklarını kullanarak modelin AUC değerini hesapla ve auc içinde sakla.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Create predictions and store them in a variable
____ = clf_logistic.____(____)

# Print the accuracy score the model
print(clf_logistic.____(____, ____))

# Plot the ROC curve of the probabilities of default
prob_default = preds[:, 1]
fallout, sensitivity, thresholds = ____(____, ____)
plt.plot(fallout, sensitivity, color = 'darkorange')
plt.plot([0, 1], [0, 1], linestyle='--')
plt.____()

# Compute the AUC and store it in a variable
____ = ____(____, ____)

Kodu Düzenle ve Çalıştır