Kinerja portofolio gradient boosted

Pada tahap ini Anda telah mencoba memprediksi probability of default menggunakan LogisticRegression() dan XGBClassifier(). Anda telah melihat sebagian penilaian (scoring) dan contoh prediksi, tetapi bagaimana dampaknya secara keseluruhan terhadap kinerja portofolio? Cobalah gunakan expected loss sebagai skenario untuk menunjukkan pentingnya menguji berbagai model.

Sebuah data frame bernama portfolio telah dibuat untuk menggabungkan probabilities of default dari kedua model, loss given default (anggap 20% untuk saat ini), dan loan_amnt yang akan diasumsikan sebagai exposure at default.

Data frame cr_loan_prep beserta himpunan data pelatihan X_train dan y_train telah dimuat ke dalam workspace.

Latihan ini adalah bagian dari kursus

Pemodelan Risiko Kredit dengan Python

Lihat Kursus

Petunjuk latihan

Cetak lima baris pertama dari portfolio.
Buat kolom expected_loss untuk model gbt dan lr dengan nama gbt_expected_loss dan lr_expected_loss.
Cetak jumlah lr_expected_loss untuk seluruh portfolio.
Cetak jumlah gbt_expected_loss untuk seluruh portfolio.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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.____(____[____]))

Edit dan Jalankan Kode