基于 AUC 的再次剪枝
在视频中，您看到如何基于 AUC 对带有 logit 链接函数的"完整"逻辑回归模型进行剪枝。您看到变量 home_ownership 被从模型中删除，因为这样能提升整体 AUC。再重复两轮后，变量 age 和 ir_cat 也被删除，得到如下模型：
log_3_remove_ir <- glm(loan_status ~ loan_amnt + grade + annual_inc + emp_cat, family = binomial, data = training_set)
其 AUC 为 0.6545。现在请您尝试再删除一个变量，看看 AUC 是否还能提升。
本练习是课程的一部分
R 中的信用风险建模
练习说明
- 在模型
log_3_remove_ir中一次删除一个变量，注意使用默认的链接函数（logit）。 - 为您创建的每个模型生成违约概率预测。
- 使用
auc()函数，令test_set$loan_status为第 1 个参数、各模型的预测为第 2 个参数，计算每个模型的 AUC。 - 复制代表最佳 AUC 的模型对象名称（名称与本练习第 1 问中给出的一致）。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Build four models each time deleting one variable in log_3_remove_ir
log_4_remove_amnt <- glm(loan_status ~ grade + annual_inc + emp_cat,
family = binomial, data = training_set)
log_4_remove_grade <-
log_4_remove_inc <-
log_4_remove_emp <-
# Make PD-predictions for each of the models
pred_4_remove_amnt <- predict(log_4_remove_amnt, newdata = test_set, type = "response")
pred_4_remove_grade <-
pred_4_remove_inc <-
pred_4_remove_emp <-
# Compute the AUCs