Jak prahy ovlivňují výkonnost modelu
Nastavení prahu na 0.4 přináší slibné výsledky při vyhodnocování modelu. Teď můžeš posoudit finanční dopad pomocí recall pro defaulty, který získáš z klasifikačního reportu pomocí funkce precision_recall_fscore_support().
Cílem je odhadnout výši neočekávané ztráty – použiješ recall pro defaulty k tomu, abys zjistil/a, jaký podíl defaultů jsi s novým prahem nezachytil/a. Výsledkem bude částka v dolarech, která říká, o kolik bys přišel/přišla, kdyby všechny nezachycené defaulty nastaly najednou.
Průměrná hodnota úvěru avg_loan_amnt je již vypočítána a dostupná v pracovním prostředí spolu s preds_df a y_test.
Toto cvičení je součástí kurzu
Credit Risk Modeling in Python
Pokyny k cvičení
- Znovu přiřaď hodnoty
loan_statuss použitím prahu0.4. - Ulož počet defaultů z
preds_dftak, že vyber druhou hodnotu z počtu výskytů, a ulož ji jakonum_defaults. - Získej míru recall pro defaulty z klasifikační matice a ulož ji jako
default_recall. - Odhadni neočekávanou ztrátu z nové míry recall pro defaulty vynásobením
1 - default_recallprůměrnou hodnotou úvěru a počtem defaultních úvěrů.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Reassign the values of loan status based on the new threshold
____[____] = ____[____].____(lambda x: 1 if x > ____ else 0)
# Store the number of loan defaults from the prediction data
____ = preds_df[____].____()[1]
# Store the default recall from the classification report
____ = ____(____,preds_df[____])[1][1]
# Calculate the estimated impact of the new default recall rate
print(____ * ____ * (1 - ____))