Taux d'acceptation
Définir un taux d'acceptation et calculer le seuil correspondant permet de fixer le pourcentage de nouveaux prêts que vous souhaitez accepter. Pour cet exercice, supposez que les données de test représentent une nouvelle cohorte de prêts. Vous devrez utiliser la fonction quantile() de numpy pour calculer le seuil.
Le seuil doit servir à attribuer de nouvelles valeurs loan_status. Le nombre de défauts et de non-défauts dans les données change-t-il?
Le modèle entraîné clf_gbt et la trame de données de ses prédictions, test_pred_df, sont fournis.
Cette activité fait partie du cours
Modélisation du risque de crédit en Python
Instructions de l’exercice
- Affichez les statistiques sommaires de
prob_defaultdans la trame de données de prédictions à l'aide de.describe(). - Calculez le seuil pour un taux d'acceptation de
85%avecquantile()et stockez-le dansthreshold_85. - Créez une nouvelle colonne nommée
pred_loan_statusà partir dethreshold_85. - Affichez le dénombrement des valeurs de la nouvelle colonne
pred_loan_status.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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(____[____].____())