根據 AUC 的另一輪剪枝
在影片中你看到，使用 logit 連結函式的「完整」羅吉斯迴歸模型，依據 AUC 進行剪枝。你看到變數 home_ownership 從模型中被刪除，因而提升了整體 AUC。接著再重複這個流程兩輪後，變數 age 和 ir_cat 也被刪除，形成下列模型：
log_3_remove_ir <- glm(loan_status ~ loan_amnt + grade + annual_inc + emp_cat, family = binomial, data = training_set)
其 AUC 為 0.6545。現在換你來試試，看是否能再刪除另一個變數，讓 AUC 進一步提升。
本練習屬於課程
R 的信用風險建模
練習說明
- 在模型
log_3_remove_ir中一次刪除一個變數，記得要使用預設的連結函式（logit）。 - 為你建立的每個模型產生違約機率的預測。
- 使用
auc()函式，第一個引數放test_set$loan_status，第二個引數放四個模型各自的預測值，以取得每個模型的 AUC。 - 複製代表最佳 AUC 的模型物件名稱（如本練習第 1 題所示的命名）。
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。
# Build four models each time deleting one variable in log_3_remove_ir
log_4_remove_amnt <- glm(loan_status ~ grade + annual_inc + emp_cat,
family = binomial, data = training_set)
log_4_remove_grade <-
log_4_remove_inc <-
log_4_remove_emp <-
# Make PD-predictions for each of the models
pred_4_remove_amnt <- predict(log_4_remove_amnt, newdata = test_set, type = "response")
pred_4_remove_grade <-
pred_4_remove_inc <-
pred_4_remove_emp <-
# Compute the AUCs