Đường cong hiệu chỉnh (Calibration)
Giờ bạn đã biết mô hình gradient boosted tree clf_gbt có hiệu năng tổng thể tốt nhất. Bạn cần kiểm tra hiệu chỉnh (calibration) của hai mô hình để xem độ ổn định của khả năng dự đoán mặc định trên các mức xác suất. Bạn có thể dùng biểu đồ hiệu chỉnh của từng mô hình để kiểm tra bằng cách gọi hàm calibration_curve().
Vẽ đường cong hiệu chỉnh trong Python thường cần khá nhiều dòng mã, nên bạn sẽ đi từng bước chậm rãi để bổ sung các thành phần khác nhau.
Hai tập dự đoán clf_logistic_preds và clf_gbt_preds đã được nạp sẵn vào không gian làm việc. Ngoài ra, đầu ra từ calibration_curve() cho mỗi mô hình cũng đã được nạp với tên: frac_of_pos_lr, mean_pred_val_lr, frac_of_pos_gbt, và mean_pred_val_gbt.
Bài tập này là một phần của khóa học
Mô hình hóa Rủi ro Tín dụng bằng Python
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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.____()