信用模型的可视化评估
现在，您希望将模型的性能可视化。在 ROC 图中，X 轴和 Y 轴分别是您已经见过的两个指标：假阳性率（fall-out）和真正率（sensitivity）。
您可以使用以下代码绘制其 ROC 图：
fallout, sensitivity, thresholds = roc_curve(y_test, prob_default)
plt.plot(fallout, sensitivity)
要计算 AUC 分数，请使用 roc_auc_score()。
信用数据集 cr_loan_prep 以及数据集 X_test 和 y_test 已加载到工作区中。已训练好的 LogisticRegression() 模型 clf_logistic 也已加载到工作区。
本练习是课程的一部分
Python 信用风险建模
练习说明
- 为违约概率创建一组预测，存入
preds。 - 打印模型在测试集
X和y上的准确率分数。 - 在测试数据和违约概率上使用
roc_curve()生成fallout和sensitivity，然后以fallout为 x 轴绘制 ROC 曲线。 - 使用测试数据和违约概率计算模型的 AUC，并将其存入
auc。
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 predictions and store them in a variable
____ = clf_logistic.____(____)
# Print the accuracy score the model
print(clf_logistic.____(____, ____))
# Plot the ROC curve of the probabilities of default
prob_default = preds[:, 1]
fallout, sensitivity, thresholds = ____(____, ____)
plt.plot(fallout, sensitivity, color = 'darkorange')
plt.plot([0, 1], [0, 1], linestyle='--')
plt.____()
# Compute the AUC and store it in a variable
____ = ____(____, ____)