Performance du portefeuille avec arbres renforcés
À ce stade, vous avez examiné la prédiction de la probabilité de défaut avec LogisticRegression() et XGBClassifier(). Vous avez regardé certains scores et vu des échantillons de prédictions, mais quel est l'effet global sur la performance du portefeuille? Utilisez la perte attendue comme scénario pour illustrer l'importance de tester différents modèles.
Une trame de données appelée portfolio a été créée pour regrouper les probabilités de défaut des deux modèles, la perte en cas de défaut (supposons 20 % pour l'instant) et loan_amnt, que l'on supposera être l'exposition au défaut.
La trame de données cr_loan_prep ainsi que les ensembles d'entraînement X_train et y_train ont été chargés dans l'espace de travail.
Cette activité fait partie du cours
Modélisation du risque de crédit en Python
Instructions de l’exercice
- Affichez les cinq premières lignes de
portfolio. - Créez la colonne
expected_losspour les modèlesgbtetlr, nomméesgbt_expected_lossetlr_expected_loss. - Affichez la somme de
lr_expected_losspour tout leportfolio. - Affichez la somme de
gbt_expected_losspour tout leportfolio.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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.____(____[____]))