Криві калібрування
Тепер ви знаєте, що дерево з градієнтним бустингом clf_gbt має найкращі загальні результати. Вам потрібно перевірити калібрування двох моделей, щоб зрозуміти, наскільки стабільною є точність передбачень за замовчуванням у різних діапазонах імовірностей. Ви можете використати графік калібрування кожної моделі, викликавши функцію calibration_curve().
Побудова кривих калібрування в Python може вимагати багато рядків коду, тож ви пройдете кожен крок послідовно, додаючи різні компоненти.
Два набори передбачень clf_logistic_preds і clf_gbt_preds уже завантажені в робоче середовище. Також вихідні дані calibration_curve() для кожної моделі завантажено як: frac_of_pos_lr, mean_pred_val_lr, frac_of_pos_gbt і mean_pred_val_gbt.
Ця вправа є частиною курсу
Моделювання кредитного ризику в Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Create the calibration curve plot with the guideline
plt.____([0, 1], [0, 1], 'k:', label=____)
plt.____('Fraction of positives')
plt.____('Average Predicted Probability')
plt.legend()
plt.title('Calibration Curve')
plt.____()