Míra špatných úvěrů

S mírou akceptace v hlavě teď můžeš analyzovat míru špatných úvěrů v rámci přijatých půjček. Uvidíš tak, jaké procento defaultů bylo akceptováno.

Zamysli se nad dopadem míry akceptace a míry špatných úvěrů. Míru akceptace nastavujeme tak, aby portfolio obsahovalo méně defaultů, protože jsou finančně nákladnější. Bude míra špatných úvěrů nižší než celkový podíl defaultů v testovacích datech?

DataFrame s predikcemi test_pred_df je načtený v pracovním prostředí.

Toto cvičení je součástí kurzu

Credit Risk Modeling in Python

Zobrazit kurz

Pokyny k cvičení

Vypiš prvních pět řádků DataFramu s predikcemi.
Vytvoř podmnožinu nazvanou accepted_loans, která obsahuje pouze půjčky, kde je předpovídaný stav úvěru 0.
Vypočítej míru špatných úvěrů na základě sloupce true_loan_status této podmnožiny pomocí sum() a .count().

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Print the top 5 rows of the new data frame
print(____.____())

# Create a subset of only accepted loans
____ = ____[____['pred_loan_status'] == ____]

# Calculate the bad rate
print(np.____(____['true_loan_status']) / ____['true_loan_status'].____())

Upravit a spustit kód