Звіт за класифікацією дефолтів

Час детальніше розглянути оцінювання моделі. Тут встановлення порога для ймовірності дефолту допоможе вам проаналізувати роботу моделі за допомогою звіту з класифікації.

Створення датафрейму з ймовірностями полегшує роботу з ними, адже ви можете використати всі можливості pandas. Застосуйте поріг до даних і перевірте кількість значень для обох класів loan_status, щоб побачити, скільки прогнозів кожного типу утворюється. Це допоможе зрозуміти оцінки зі звіту з класифікації.

Набір даних cr_loan_prep, навчена логістична регресія clf_logistic, справжні значення статусу кредиту y_test і передбачені ймовірності preds завантажені в робочу область.

Ця вправа є частиною курсу

Моделювання кредитного ризику в Python

Переглянути курс

Інструкції до вправи

Створіть датафрейм лише з ймовірностями дефолту з preds під назвою preds_df.
Переприсвойте значення loan_status на основі порога 0.50 для ймовірності дефолту в preds_df.
Виведіть підрахунок кількості рядків для кожного loan_status.
Виведіть звіт з класифікації, використовуючи y_test і preds_df.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Create a dataframe for the probabilities of default
____ = pd.____(____[:,1], columns = ['prob_default'])

# Reassign loan status based on the threshold
____[____] = ____[____].apply(lambda x: 1 if x > ____ else 0)

# Print the row counts for each loan status
print(____[____].____())

# Print the classification report
target_names = ['Non-Default', 'Default']
print(____(____, ____['loan_status'], target_names=target_names))

Редагувати та запускати код