1. Nauka
    2. /
  2. Kursy
    3. /
  3. Моделювання кредитного ризику в Python
Connected

Ćwiczenie

Порівняння звітів моделей

Ви застосували моделі логістичної регресії та градієнтні бустингові дерева. Час порівняти їх, щоб визначити, яку модель використати для фінальних прогнозів.

Один із найпростіших перших кроків для порівняння здатності різних моделей передбачати ймовірність дефолту — подивитися на їхні метрики зі classification_report(). Так ви побачите різні показники якості поруч для кожної моделі. Оскільки дані та моделі зазвичай є незбалансованими з малою кількістю дефолтів, наразі зосередьтеся на метриках для дефолтів.

Навчені моделі clf_logistic та clf_gbt уже завантажені до середовища разом із їхніми прогнозами preds_df_lr і preds_df_gbt. Для кожної використано поріг 0.4. Набір тестових відповідей y_test також доступний.

Instrukcje

100 XP
  • Виведіть classification_report() для прогнозів логістичної регресії.
  • Виведіть classification_report() для прогнозів градієнтного бустингового дерева.
  • Виведіть macro average метрики F-1 для логістичної регресії за допомогою precision_recall_fscore_support().
  • Виведіть macro average метрики F-1 для градієнтного бустингового дерева за допомогою precision_recall_fscore_support().