शुरू करेंमुफ़्त में शुरू करें

Gradient boosted पोर्टफोलियो परफ़ॉर्मेंस

अब तक आप ने LogisticRegression() और XGBClassifier() दोनों का उपयोग करके probability of default की भविष्यवाणी देख ली है. आपने कुछ स्कोरिंग देखी है और प्रेडिक्शंस के नमूने भी देखे हैं, लेकिन पोर्टफोलियो परफ़ॉर्मेंस पर समग्र असर क्या है? अलग-अलग मॉडलों को टेस्ट करने के महत्व को दिखाने के लिए expected loss को एक परिदृश्य की तरह इस्तेमाल कीजिए.

portfolio नाम का एक डेटा फ़्रेम बनाया गया है जिसमें दोनों मॉडलों की default होने की probabilities, loss given default (फिलहाल 20% मान लीजिए), और loan_amnt शामिल है, जिसे exposure at default माना जाएगा.

cr_loan_prep डेटा फ़्रेम के साथ X_train और y_train प्रशिक्षण सेट्स वर्कस्पेस में लोड कर दिए गए हैं.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में क्रेडिट रिस्क मॉडलिंग

पाठ्यक्रम देखें

अभ्यास निर्देश

  • portfolio की पहली पाँच पंक्तियाँ प्रिंट करें.
  • gbt और lr मॉडल के लिए expected_loss कॉलम बनाएँ, जिनके नाम क्रमशः gbt_expected_loss और lr_expected_loss हों.
  • पूरे portfolio के लिए lr_expected_loss का योग प्रिंट करें.
  • पूरे portfolio के लिए gbt_expected_loss का योग प्रिंट करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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.____(____[____]))
कोड संपादित करें और चलाएँ