比較模型報告
你已經使用了羅吉斯迴歸模型與梯度提升樹。現在該比較這兩者，決定要用哪個模型來做最終預測。
比較不同模型在「違約機率」預測能力的第一步，最簡單的做法之一，就是查看 classification_report() 的評估指標。這能讓你將各模型的多種評分指標並排檢視。由於資料與模型通常是不平衡的，違約樣本很少，因此此刻請先聚焦在「違約」這個類別的指標。
已訓練的模型 clf_logistic 與 clf_gbt 已載入工作區，並提供其預測結果 preds_df_lr 與 preds_df_gbt。兩者都使用了 0.4 的閾值（cutoff）。測試集 y_test 也可使用。
本練習屬於課程
以 Python 進行信用風險建模
練習說明
- 列印羅吉斯迴歸預測的
classification_report()。 - 列印梯度提升樹預測的
classification_report()。 - 使用
precision_recall_fscore_support()，列印羅吉斯迴歸的 F-1 分數之macro average。 - 使用
precision_recall_fscore_support()，列印梯度提升樹的 F-1 分數之macro average。
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。
# Print the logistic regression classification report
target_names = ['Non-Default', 'Default']
print(____(____, ____['loan_status'], target_names=target_names))
# Print the gradient boosted tree classification report
print(____(____, ____['loan_status'], target_names=target_names))
# Print the default F-1 scores for the logistic regression
print(____(____,____['loan_status'], average = 'macro')[2])
# Print the default F-1 scores for the gradient boosted tree
print(____(____,____['loan_status'], average = 'macro')[2])