Продуктивність дерева з андерсемплінгом
Ви виконали андерсемплінг тренувальної вибірки та навчили модель на зменшеному наборі.
Якість передбачень моделі впливає не лише на ймовірність дефолту на тестовій вибірці, а й на скоринг нових заявок на кредит у міру їх надходження. Тепер ви також знаєте, що особливо важливо мати високий recall для дефолтів, адже дефолт, спрогнозований як недефолт, коштує дорожче.
Наступний важливий крок — порівняти продуктивність нової моделі з початковою. Початкові передбачення збережено як gbt_preds, а передбачення нової моделі — як gbt2_preds.
Передбачення моделей gbt_preds і gbt2_preds, а також y_test, уже збережено в робочому середовищі.
Ця вправа є частиною курсу
Моделювання кредитного ризику в Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Check the classification reports
target_names = ['Non-Default', 'Default']
print(____(y_test, ____, target_names=target_names))
print(____(y_test, ____, target_names=target_names))