违约分类报告

现在该更深入地评估模型了。此处设置违约概率的阈值，将帮助您通过分类报告来分析模型表现。

把概率放入一个数据框，便于处理，因为您可以使用 pandas 的全部能力。对数据应用阈值，并检查 loan_status 两个类别的计数，看看各类别分别产生了多少个预测。这将有助于理解分类报告中的各项分数。

工作区已加载 cr_loan_prep 数据集、训练好的逻辑回归模型 clf_logistic、真实贷款状态 y_test，以及预测概率 preds。

本练习是课程的一部分

Python 信用风险建模

查看课程

练习说明

从 preds 中仅取违约概率，创建名为 preds_df 的数据框。
基于 preds_df 中违约概率的阈值 0.50 重新赋值 loan_status。
打印每个 loan_status 的行数计数。
使用 y_test 和 preds_df 打印分类报告。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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))

编辑并运行代码