Taux de défauts

En gardant en tête le taux d'acceptation, vous pouvez maintenant analyser le taux de défauts parmi les prêts acceptés. Cela vous permettra de voir le pourcentage de défauts qui ont été acceptés.

Réfléchissez à l'incidence du taux d'acceptation et du taux de défauts. Nous fixons un taux d'acceptation pour avoir moins de défauts dans le portefeuille, car les défauts coûtent plus cher. Le taux de défauts sera-t-il inférieur au pourcentage de défauts dans les données de test?

Le DataFrame de prédictions test_pred_df a été chargé dans l'espace de travail.

Cette activité fait partie du cours

Modélisation du risque de crédit en Python

Voir le cours

Instructions de l’exercice

Affichez les cinq premières lignes du DataFrame de prédictions.
Créez un sous-ensemble appelé accepted_loans qui ne contient que les prêts dont l'état prédit est 0.
Calculez le taux de défauts à partir de true_loan_status du sous-ensemble en utilisant sum() et .count().

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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'].____())

Modifier et exécuter le code