1. Apprendre
    2. /
  2. Cours
    3. /
  3. Modelado del riesgo crediticio en Python
  • 1

    Exploración y preparación de datos para préstamos

    Gratuit

    En este primer capítulo, hablaremos sobre el concepto de riesgo de crédito y definiremos cómo se calcula. Utilizando tablas cruzadas y gráficos, exploraremos un conjunto de datos real. Y, antes de aplicar el machine learning, procesaremos estos datos buscando y resolviendo problemas.

  • 2

    Regresión logística para incumplimientos

    Con los datos del préstamo totalmente preparados, hablaremos del modelo de regresión logística, que es un estándar en la modelización del riesgo. Comprenderemos los componentes de este modelo, así como la forma de puntuar su rendimiento. Una vez creadas las previsiones, podremos explorar el impacto financiero de la utilización de este modelo.

  • 3

    Árboles potenciados por gradiente con XGBoost

    Los árboles de decisión son otro modelo estándar de riesgo crediticio. Iremos más allá de los árboles de decisión utilizando el paquete XGBoost, que está de moda, en Python para crear árboles impulsados por gradiente. Tras desarrollar modelos sofisticados, someteremos a test de estrés su rendimiento y hablaremos de qué es la selección de columnas en datos no equilibrados.

  • 4

    Evaluación e implementación del modelo

    Tras desarrollar y probar dos potentes modelos de machine learning, utilizaremos métricas de rendimiento clave para compararlos. Utilizando técnicas avanzadas de selección de modelos específicamente para la modelización financiera, seleccionaremos un modelo. Con ese modelo, haremos lo siguiente: desarrollar una estrategia empresarial, calcular el valor del portafolio y minimizar la pérdida esperada.

Initializing

Exercice

Eliminación de los datos que faltan

Has sustituido los datos que faltaban en person_emp_length, pero en el ejercicio anterior has visto que en loan_int_rate también faltan datos.

Al igual que ocurre con los datos que faltan en loan_status, los datos que faltan en loan_int_rate dificultarán las predicciones.

Como los tipos de interés los fija tu empresa, que falten datos en esta columna es muy extraño. Es posible que los problemas de ingestión de datos hayan creado errores, pero no puedes saberlo con seguridad. Por ahora, es mejor .drop() estos registros antes de seguir adelante.

El conjunto de datos cr_loan se ha cargado en el espacio de trabajo.

Instructions

100 XP
  • Imprime el número de registros que contienen datos que faltan para el tipo de interés.
  • Crea una matriz de índices para las filas que contienen el tipo de interés que falta, llamada índices.
  • Elimina los registros en los que falten datos sobre el tipo de interés y guarda los resultados en cr_loan_clean.