用 ROC 曲线进行比较
您应使用 ROC 图与 AUC 分数来比较这两个模型。有时候，可视化能明显帮助您和潜在业务用户理解待选模型之间的差异。
结合图形，您将更容易做出决策。Lift 表示曲线相对于随机预测的提升幅度；AUC 表示曲线与随机预测之间的面积。Lift 更大且 AUC 更高的模型，在预测准确性上更好。
已将训练好的模型 clf_logistic 和 clf_gbt 加载到工作区中。违约概率的预测 clf_logistic_preds 和 clf_gbt_preds 也已加载。
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。
# ROC chart components
fallout_lr, sensitivity_lr, thresholds_lr = ____(____, ____)
fallout_gbt, sensitivity_gbt, thresholds_gbt = ____(____, ____)
# ROC Chart with both
plt.plot(____, ____, color = 'blue', label='%s' % 'Logistic Regression')
plt.plot(____, ____, color = 'green', label='%s' % 'GBT')
plt.plot([0, 1], [0, 1], linestyle='--', label='%s' % 'Random Prediction')
plt.title("ROC Chart for LR and GBT on the Probability of Default")
plt.xlabel('Fall-out')
plt.ylabel('Sensitivity')
plt.legend()
plt.show()