Akzeptanzquoten
Eine Akzeptanzquote festzulegen und den dazugehörigen Schwellenwert zu berechnen, hilft dir, den Prozentsatz neuer Kredite zu steuern, die du annehmen möchtest. Für diese Übung nehmen wir an, dass die Testdaten eine frische Charge neuer Kredite sind. Du wirst die Funktion quantile() aus numpy benötigen, um den Schwellenwert zu berechnen.
Der Schwellenwert sollte verwendet werden, um neue loan_status-Werte zuzuweisen. Ändert sich dadurch die Anzahl der Ausfälle und Nichtausfälle in den Daten?
Das trainierte Modell clf_gbt und der DataFrame mit seinen Vorhersagen, test_pred_df, sind verfügbar.
Diese Übung ist Teil des Kurses
Kreditrisikomodellierung in Python
Anleitung zur Übung
- Gib die zusammenfassenden Statistiken von
prob_defaultim Vorhersage-DataFrame mit.describe()aus. - Berechne den Schwellenwert für eine
85%-Akzeptanzquote mitquantile()und speichere ihn alsthreshold_85. - Erstelle eine neue Spalte namens
pred_loan_statusbasierend aufthreshold_85. - Gib die Wertanzahlen der neuen Werte in
pred_loan_statusaus.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# 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(____[____].____())