再來做一次直覺檢查！你已經看到，對訓練集做欠抽樣可以提升違約預測效果。你對訓練資料集 X_train 進行了欠抽樣，新的模型在 AUC 分數與違約的召回率上都有正向提升。訓練資料的類別不平衡在大多數信用貸款資料中都很常見。
X_train
你並沒有對測試資料 X_test 做欠抽樣。為什麼不連測試集也一起欠抽樣呢？
X_test
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
在第一章中，我們會說明信用風險的概念並定義其計算方式。你將使用交叉表與圖形來探索一個真實世界的資料集。在套用機器學習之前，我們會先處理資料，找出並解決其中的問題。
當貸款資料完全準備好後，我們會介紹羅吉斯迴歸模型，它是風險建模中的標準做法。我們將理解此模型的組成要素，以及如何評分其效能。建立預測之後，我們可以進一步探討使用此模型的財務影響。
決策樹是另一種常見的信用風險模型。我們將更進一步，使用目前熱門的 Python XGBoost 套件來建立梯度提升樹。完成進階模型後，我們會進行壓力測試，並討論在不平衡資料中的欄位選擇。
當前練習
在開發並測試兩種強大的機器學習模型後，我們會用關鍵效能指標來比較它們。透過專為財務建模設計的進階模型選擇技巧，我們將選出一個模型。接著以該模型來：制定商業策略、估計投資組合價值，並將期望損失降到最低。
