Báo cáo phân loại vỡ nợ

Đến lúc xem kỹ hơn cách đánh giá mô hình. Việc đặt ngưỡng cho xác suất vỡ nợ sẽ giúp bạn phân tích hiệu năng mô hình thông qua báo cáo phân loại.

Tạo một data frame từ các xác suất sẽ giúp bạn thao tác dễ hơn nhờ tận dụng sức mạnh của pandas. Áp dụng ngưỡng vào dữ liệu và kiểm tra số lượng giá trị cho cả hai lớp của loan_status để xem có bao nhiêu dự đoán mỗi loại được tạo ra. Điều này sẽ giúp bạn hiểu rõ hơn các điểm số trong báo cáo phân loại.

Bộ dữ liệu cr_loan_prep, mô hình logistic regression đã huấn luyện clf_logistic, giá trị trạng thái khoản vay thực tế y_test, và xác suất dự đoán preds đã được nạp sẵn trong môi trường làm việc.

Bài tập này là một phần của khóa học

Mô hình hóa Rủi ro Tín dụng bằng Python

Xem khóa học

Hướng dẫn bài tập

Tạo một data frame chỉ chứa xác suất vỡ nợ từ preds và đặt tên là preds_df.
Gán lại các giá trị loan_status dựa trên ngưỡng 0.50 cho xác suất vỡ nợ trong preds_df.
In số lượng dòng cho từng loan_status bằng value_counts.
In báo cáo phân loại bằng y_test và preds_df.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# 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))

Chỉnh sửa và Chạy Mã