Gradient-Boosted-Portfolioleistung

Bis hierhin hast du die Ausfallwahrscheinlichkeit sowohl mit LogisticRegression() als auch mit XGBClassifier() vorhergesagt. Du hast dir Scoring-Ergebnisse angesehen und Beispielvorhersagen betrachtet – aber wie wirkt sich das insgesamt auf die Portfolioleistung aus? Nutze die erwarteten Verluste, um zu zeigen, warum es wichtig ist, verschiedene Modelle zu testen.

Ein DataFrame namens portfolio wurde erstellt. Er kombiniert die Ausfallwahrscheinlichkeiten beider Modelle, den „loss given default“ (fürs Erste 20 % angenommen) und die loan_amnt, die hier als Exposure at Default angenommen wird.

Der DataFrame cr_loan_prep sowie die Trainingsdatensätze X_train und y_train wurden in den Workspace geladen.

Diese Übung ist Teil des Kurses

Kreditrisikomodellierung in Python

Kurs anzeigen

Anleitung zur Übung

Gib die ersten fünf Zeilen von portfolio aus.
Erzeuge die Spalte expected_loss für das gbt- und das lr-Modell mit den Namen gbt_expected_loss und lr_expected_loss.
Gib die Summe von lr_expected_loss für das gesamte portfolio aus.
Gib die Summe von gbt_expected_loss für das gesamte portfolio aus.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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.____(____[____]))

Code bearbeiten und ausführen