Výkonnost portfolia s gradient boosted trees

V tuto chvíli ses zabýval/a předpovídáním pravděpodobnosti selhání pomocí LogisticRegression() i XGBClassifier(). Prošel/a sis různé metriky a ukázky predikcí – ale jaký je celkový dopad na výkonnost portfolia? Zkus použít očekávanou ztrátu jako scénář, který ukáže, jak důležité je testovat různé modely.

Byl vytvořen datový rámec portfolio, který kombinuje pravděpodobnosti selhání pro oba modely, ztrátu při selhání (prozatím předpokládej 20 %) a sloupec loan_amnt, který bude představovat expozici při selhání.

Datový rámec cr_loan_prep spolu s trénovacími sadami X_train a y_train jsou načteny do pracovního prostředí.

Toto cvičení je součástí kurzu

Credit Risk Modeling in Python

Zobrazit kurz

Pokyny k cvičení

Vypiš prvních pět řádků datového rámce portfolio.
Vytvoř sloupec expected_loss pro modely gbt a lr s názvy gbt_expected_loss a lr_expected_loss.
Vypiš součet lr_expected_loss pro celé portfolio.
Vypiš součet gbt_expected_loss pro celé portfolio.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Print the first five rows of the portfolio data frame
print(____.____())

# Create expected loss columns for each model using the formula
portfolio[____] = portfolio[____] * portfolio[____] * portfolio[____]
portfolio[____] = portfolio[____] * portfolio[____] * portfolio[____]

# Print the sum of the expected loss for lr
print('LR expected loss: ', np.____(____[____]))

# Print the sum of the expected loss for gbt
print('GBT expected loss: ', np.____(____[____]))

Upravit a spustit kód