Kalibrasyon eğrileri
Artık gradyanla güçlendirilmiş ağaç clf_gbt modelinin genel performansının en iyi olduğunu biliyorsun. İki modelin kalibrasyonunu kontrol ederek, varsayılan tahmin performansının olasılıklar boyunca ne kadar istikrarlı olduğunu görmen gerekiyor. Bunu, her bir modelin kalibrasyon grafiğini calibration_curve() fonksiyonunu çağırarak kontrol edebilirsin.
Kalibrasyon eğrileri Python’da epey satır kod gerektirebilir, bu yüzden farklı bileşenleri eklemek için her adımı yavaş yavaş ilerleyerek yapacaksın.
İki tahmin kümesi clf_logistic_preds ve clf_gbt_preds çalışma alanına zaten yüklendi. Ayrıca her model için calibration_curve() çıktıları da şu değişkenlere yüklendi: frac_of_pos_lr, mean_pred_val_lr, frac_of_pos_gbt ve mean_pred_val_gbt.
Bu egzersiz, kursun bir parçasıdır
Python ile Kredi Riski Modellemesi
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Create the calibration curve plot with the guideline
plt.____([0, 1], [0, 1], 'k:', label=____)
plt.____('Fraction of positives')
plt.____('Average Predicted Probability')
plt.legend()
plt.title('Calibration Curve')
plt.____()