शुरू करेंमुफ़्त में शुरू करें

थ्रेशोल्ड प्रदर्शन को कैसे प्रभावित करते हैं

0.4 का थ्रेशोल्ड सेट करने से मॉडल इवैल्यूएशन के लिए अच्छे संकेत मिलते हैं. अब आप precision_recall_fscore_support() फंक्शन से मिलने वाली क्लासिफिकेशन रिपोर्ट में चुने गए डिफॉल्ट रिकॉल का उपयोग करके वित्तीय प्रभाव आँक सकते हैं.

इसके लिए, आप डिफॉल्ट रिकॉल का उपयोग करके यह अनुमान लगाएँगे कि नए थ्रेशोल्ड के साथ आप डिफॉल्ट्स का कितना अनुपात पकड़ नहीं पाए. इससे एक डॉलर राशि निकलेगी जो बताएगी कि यदि सारे छूटे हुए डिफॉल्ट एक साथ डिफॉल्ट कर जाएँ, तो आपका नुकसान कितना होगा.

औसत लोन वैल्यू avg_loan_amnt की गणना कर ली गई है और इसे preds_df और y_test के साथ वर्कस्पेस में उपलब्ध कराया गया है.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में क्रेडिट रिस्क मॉडलिंग

पाठ्यक्रम देखें

अभ्यास निर्देश

  • थ्रेशोल्ड 0.4 का उपयोग करके loan_status मानों को दोबारा असाइन करें.
  • preds_df में वैल्यू काउंट्स के दूसरे मान को चुनकर डिफॉल्ट्स की संख्या स्टोर करें और इसे num_defaults नाम दें.
  • क्लासिफिकेशन मैट्रिक्स से डिफॉल्ट रिकॉल रेट निकालकर default_recall के रूप में स्टोर करें.
  • नए डिफॉल्ट रिकॉल से अनपेक्षित नुकसान का अनुमान लगाएँ: 1 - default_recall को औसत लोन अमाउंट और डिफॉल्ट लोन की संख्या से गुणा करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Reassign the values of loan status based on the new threshold
____[____] = ____[____].____(lambda x: 1 if x > ____ else 0)

# Store the number of loan defaults from the prediction data
____ = preds_df[____].____()[1]

# Store the default recall from the classification report
____ = ____(____,preds_df[____])[1][1]

# Calculate the estimated impact of the new default recall rate
print(____ * ____ * (1 - ____))
कोड संपादित करें और चलाएँ