Вибір ознак і продуктивність моделі
Створення тренувальної вибірки з різних комбінацій стовпців впливає на модель і значення важливості ознак. Чи впливає інший набір стовпців також на показники F-1, що поєднують precision і recall, для моделі? Ви можете відповісти на це запитання, натренувавши дві різні моделі на двох різних наборах стовпців і перевіривши їхню ефективність.
Неправильна класифікація прострочень як непрострочень може призвести до неочікуваних збитків, особливо якщо імовірність дефолту для цих позик була дуже низькою. Ви можете використати метрику F-1 для класу прострочень, щоб оцінити, наскільки точно моделі передбачають дефолти.
Кредитні дані cr_loan_prep і два набори тренувальних ознак X та X2 завантажено в робочу область. Моделі gbt і gbt2 уже натреновано.
Ця вправа є частиною курсу
Моделювання кредитного ризику в Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Predict the loan_status using each model
____ = gbt.____(____)
____ = gbt2.____(____)
# Print the classification report of the first model
target_names = ['Non-Default', 'Default']
print(____(____, ____, target_names=target_names))
# Print the classification report of the second model
print(____(____, ____, target_names=target_names))