校準曲線
你現在已經知道梯度提升樹 clf_gbt 的整體表現最好。你需要檢查這兩個模型的校準情形，看看在不同機率區間下，違約預測的表現是否穩定。你可以呼叫 calibration_curve()，繪製各模型的校準圖來檢查。
在 Python 中繪製校準曲線通常需要好幾行程式碼，因此你會逐步加入各個元件。
兩組預測 clf_logistic_preds 與 clf_gbt_preds 已載入至工作環境。另外，calibration_curve() 的輸出也已為每個模型載入為：frac_of_pos_lr、mean_pred_val_lr、frac_of_pos_gbt，以及 mean_pred_val_gbt。
本練習屬於課程
以 Python 進行信用風險建模
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 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.____()