違約分類報告
現在該更深入檢視模型評估了。這時設定「違約機率」的臨界值，能幫助你透過分類報告分析模型效能。
把機率整理成一個資料框，會更好操作，因為你可以運用 pandas 的各種功能。對資料套用臨界值，並檢查 loan_status 兩個類別的筆數分佈，看看各自產生了多少筆預測。這將有助於理解分類報告中的各項分數。
工作環境已載入 cr_loan_prep 資料集、訓練好的羅吉斯回歸模型 clf_logistic、真實貸款狀態 y_test，以及預測機率 preds。
本練習屬於課程
以 Python 進行信用風險建模
練習說明
- 從
preds取出違約機率，建立名為preds_df的資料框。 - 依據
preds_df中違約機率的臨界值0.50，重新指定loan_status的值。 - 列印每個
loan_status的列數分佈（value counts）。 - 使用
y_test與preds_df列印分類報告。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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))