欠采样树的性能
您已经对训练集进行了欠采样，并在欠采样的数据上训练了模型。
模型预测的表现不仅会影响测试集上的违约概率，也会影响新进贷款申请的评分。您也已经知道，更重要的是要提高对"违约"类别的召回率，因为把真实违约预测成不违约的代价更高。
接下来关键的一步是将新模型的性能与原始模型进行比较。原始模型的预测保存在 gbt_preds 中，新模型的预测保存在 gbt2_preds 中。
除了 y_test，模型预测 gbt_preds 和 gbt2_preds 已经预先存放在工作区中。
本练习是课程的一部分
Python 信用风险建模
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Check the classification reports
target_names = ['Non-Default', 'Default']
print(____(y_test, ____, target_names=target_names))
print(____(y_test, ____, target_names=target_names))