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 constituent un nouveau lot de prêts. Vous devrez utiliser la fonction quantile() de numpy pour calculer le seuil.
Le seuil devra servir à attribuer de nouvelles valeurs de 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 contenant ses prédictions, test_pred_df, sont disponibles.
Cet exercice fait partie du cours
Modélisation du risque de crédit en Python
Instructions
- Affichez les statistiques descriptives de
prob_defaultdans la trame de données des 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 appelée
pred_loan_statusà partir dethreshold_85. - Affichez la distribution des nouvelles valeurs dans
pred_loan_statusavec un comptage des modalités.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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(____[____].____())