Tasas malas

Con la tasa de aceptación en mente, ahora puedes analizar la tasa de morosidad dentro de los préstamos aceptados. Así podrás ver el porcentaje de incumplimientos que han sido aceptados.

Piensa en el impacto de la tasa de aceptación y la tasa de rechazo. Fijamos una tasa de aceptación para tener menos impagos en el portafolio, porque los impagos son más costosos. ¿El porcentaje de fallos será inferior al porcentaje de fallos en los datos de prueba?

El marco de datos de predicciones test_pred_df se ha cargado en el espacio de trabajo.

Este ejercicio forma parte del curso

Modelado del riesgo crediticio en Python

Ver curso

Instrucciones de ejercicio

Imprime las cinco primeras filas del marco de datos de predicciones.
Crea un subconjunto llamado accepted_loans que solo contenga préstamos cuyo estado de préstamo previsto sea 0.
Calcula el índice de error basándote en true_loan_status del subconjunto utilizando sum() y .count().

Ejercicio interactivo práctico

Pruebe este ejercicio completando este código de muestra.

# 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'].____())

Editar y ejecutar código