Míry přijetí

Nastavení míry přijetí a výpočet odpovídající prahové hodnoty umožňuje určit, jaké procento nových půjček chceš schválit. V tomto cvičení předpokládej, že testovací data představují novou dávku žádostí o půjčku. K výpočtu prahové hodnoty použiješ funkci quantile() z knihovny numpy.

Tato prahová hodnota poslouží k přiřazení nových hodnot loan_status. Změní se počet selhání a úspěšných splácení v datech?

Natrénovaný model clf_gbt a datový rámec s jeho predikcemi test_pred_df jsou k dispozici.

Toto cvičení je součástí kurzu

Credit Risk Modeling in Python

Zobrazit kurz

Pokyny k cvičení

Vypiš souhrnné statistiky sloupce prob_default v datovém rámci s predikcemi pomocí .describe().
Vypočítej prahovou hodnotu pro míru přijetí 85 % pomocí funkce quantile() a ulož ji jako threshold_85.
Vytvoř nový sloupec pred_loan_status na základě hodnoty threshold_85.
Vypiš počty výskytů jednotlivých hodnot v novém sloupci pred_loan_status.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Check the statistics of the probabilities of default
print(____[____].describe())

# Calculate the threshold for a 85% acceptance rate
____ = np.____(____['prob_default'], ____)

# Apply acceptance rate threshold
____[____] = ____[____].apply(lambda x: 1 if x > ____ else 0)

# Print the counts of loan status after the threshold
print(____[____].____())

Upravit a spustit kód