Bad rates
En tenant compte du taux d’acceptation, vous pouvez maintenant analyser le bad rate au sein des prêts acceptés. Vous pourrez ainsi voir le pourcentage de défauts qui ont été acceptés.
Réfléchissez à l’impact du taux d’acceptation et du bad rate. Nous fixons un taux d’acceptation pour avoir moins de défauts dans le portefeuille, car les défauts sont plus coûteux. Le bad rate 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.
Cet exercice fait partie du cours
Modélisation du risque de crédit en Python
Instructions
- Affichez les cinq premières lignes du DataFrame de prédictions.
- Créez un sous-ensemble appelé
accepted_loansqui ne contient que les prêts dont le statut prédit est0. - Calculez le bad rate à partir de
true_loan_statusdu sous-ensemble en utilisantsum()et.count().
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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'].____())