Bir eşik değeri (cut-off) belirtmek

Bir eşik değeri belirlemenin, iyi bir karmaşıklık matrisi elde etmede nasıl fark yaratabileceğini gösterdik. Şimdi, tahmin vektörünü kredinin durumunu gösteren ikili değerlere dönüştürmeyi öğreneceksin. R'deki ifelse() fonksiyonu burada işine yarar.

Bir cut-off bağlamında ifelse() fonksiyonunu uyguladığında şöyle bir şey elde edersin:

ifelse(predictions > 0.3, 1, 0)

İlk argümanda, tahminler vektöründeki belirli bir değerin 0.3'ten büyük olup olmadığını test ediyorsun. Bu TRUE ise R "1" döndürür (ikinci argümanda belirtilen), FALSE ise R "0" döndürür (üçüncü argümanda belirtilen). Bunlar sırasıyla "temerrüt" ve "temerrüt yok"u temsil eder.

Bu egzersiz

R ile Kredi Riski Modellemesi

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Tam lojistik regresyon modelinin kodu ve tahminler vektörü konsolunda verilmiştir.
0.15 eşik değeri kullanarak, ifelse() fonksiyonunu ve predictions_all_full'u kullanıp pred_cutoff_15 vektörünü oluştur.
table() ile karmaşıklık matrisine bak (ilk argümana gerçek değerleri, yani test_set$loan_status'ı gir).

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# The code for the logistic regression model and the predictions is given below
log_model_full <- glm(loan_status ~ ., family = "binomial", data = training_set)
predictions_all_full <- predict(log_model_full, newdata = test_set, type = "response")

# Make a binary predictions-vector using a cut-off of 15%


# Construct a confusion matrix

Kodu Düzenle ve Çalıştır