给定阈值下比较链接函数
在最后这个练习中，您将分别使用三种链接函数（logit、probit 和 cloglog）来拟合模型，在测试集上进行预测，按给定阈值将预测结果分类为相应分组（违约 与 非违约），构建混淆矩阵，并计算在该阈值下每个模型的准确率与灵敏度。到这里为止，您已经学到了很多！最后，您还将尝试在给定阈值下，找出准确率表现最好的模型。
需要注意的是，这些模型之间的差异通常会非常小，而且结果依赖于所选阈值。观测到的结果（违约 与 非违约）已存储在控制台中的 true_val。
本练习是课程的一部分
R 中的信用风险建模
练习说明
- 分别使用
logit、probit和cloglog链接函数拟合 3 个逻辑回归模型。部分代码已给出。使用age、emp_cat、ir_cat和loan_amnt作为自变量。 - 使用
test_set为所有模型生成预测。 - 使用 14% 作为阈值，对每个模型进行分类预测，以便评估其性能。
- 为这三个模型分别构建混淆矩阵。
- 最后，计算三个模型的分类准确率。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Fit the logit, probit and cloglog-link logistic regression models
log_model_logit <- glm(loan_status ~ age + emp_cat + ir_cat + loan_amnt,
family = binomial(link = logit), data = training_set)
log_model_probit <-
log_model_cloglog <-
# Make predictions for all models using the test set
predictions_logit <- predict(log_model_logit, newdata = test_set, type = "response")
predictions_probit <-
predictions_cloglog <-
# Use a cut-off of 14% to make binary predictions-vectors
cutoff <- 0.14
class_pred_logit <- ifelse(predictions_logit > cutoff, 1, 0)
class_pred_probit <-
class_pred_cloglog <-
# Make a confusion matrix for the three models
tab_class_logit <- table(true_val,class_pred_logit)
tab_class_probit <-
tab_class_cloglog <-
# Compute the classification accuracy for all three models
acc_logit <- sum(diag(tab_class_logit)) / nrow(test_set)
acc_probit <-
acc_cloglog <-