from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix

modele = LogisticRegression(C=1e9).fit(x_train, y_train)
q = modele.predict_proba(x_test)[:, 1]            # probabilité de défaut

for seuil in (0.5, 0.07):
    tn, fp, fn, tp = confusion_matrix(y_test, q > seuil).ravel()
    cout = fn * 20 + fp                         # un défaut manqué = 20 visites
    print(seuil, tp, fn, fp, cout)
# 0.5  : 4 détectés, 46 manqués,  2 fausses alertes, coût 922
# 0.07 : 22 détectés, 28 manqués, 96 fausses alertes, coût 656
# ne rien contrôler : 50 défauts manqués × 20 = coût 1000