Bad Rates

Mit der Annahmequote im Hinterkopf kannst du jetzt die Bad Rate innerhalb der angenommenen Kredite analysieren. So siehst du den Prozentsatz an Ausfällen, die akzeptiert wurden.

Überlege dir den Einfluss von Annahmequote und Bad Rate. Wir legen eine Annahmequote fest, um weniger Ausfälle im Portfolio zu haben, weil Ausfälle teurer sind. Wird die Bad Rate geringer sein als der Prozentsatz der Ausfälle in den Testdaten?

Der Vorhersage-DataFrame test_pred_df wurde in den Workspace geladen.

Diese Übung ist Teil des Kurses

<Kurs>Kreditrisikomodellierung in Python</Kurs>

Kurs ansehen

Übungsanweisungen

Gib die ersten fünf Zeilen des Vorhersage-DataFrames aus.
Erstelle einen Teil-DataFrame namens accepted_loans, der nur Kredite enthält, bei denen der vorhergesagte Kreditstatus 0 ist.
Berechne die Bad Rate auf Basis von true_loan_status des Subsets mit sum() und .count().

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# 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'].____())

Code bearbeiten und ausführen