शुरू करेंमुफ़्त में शुरू करें

Bad rates

Acceptance rate को ध्यान में रखते हुए, अब आप स्वीकार किए गए loans के भीतर bad rate का विश्लेषण कर सकते हैं। इस तरह आप देख पाएँगे कि स्वीकार किए गए मामलों में defaults का प्रतिशत कितना है।

Acceptance rate और bad rate के प्रभाव के बारे में सोचिए। हम acceptance rate इसलिए सेट करते हैं ताकि पोर्टफोलियो में defaults कम हों, क्योंकि defaults की लागत अधिक होती है। क्या bad rate टेस्ट डेटा में defaults के प्रतिशत से कम होगा?

Predictions data frame test_pred_df वर्कस्पेस में लोड कर दिया गया है।

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में क्रेडिट रिस्क मॉडलिंग

पाठ्यक्रम देखें

अभ्यास निर्देश

  • Predictions data frame की पहली पाँच पंक्तियाँ प्रिंट करें।
  • accepted_loans नाम का एक subset बनाएँ जिसमें केवल वही loans हों जहाँ predicted loan status 0 हो।
  • Subset के true_loan_status के आधार पर sum() और .count() का उपयोग करके bad rate की गणना करें।

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

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