Bagaimana ambang memengaruhi kinerja

Menetapkan ambang ke 0.4 menunjukkan hasil yang menjanjikan untuk evaluasi model. Sekarang Anda dapat menilai dampak finansial dengan menggunakan recall default yang dipilih dari pelaporan klasifikasi menggunakan fungsi precision_recall_fscore_support().

Untuk ini, Anda akan memperkirakan jumlah kerugian tak terduga dengan menggunakan recall default untuk mengetahui porsi gagal bayar yang tidak Anda tangkap dengan ambang baru. Ini akan berupa nilai dolar yang memberi tahu Anda berapa besar kerugian yang akan terjadi jika semua kasus gagal bayar yang tidak tertangkap tersebut gagal bayar sekaligus.

Nilai pinjaman rata-rata, avg_loan_amnt, telah dihitung dan tersedia di workspace bersama dengan preds_df dan y_test.

Latihan ini adalah bagian dari kursus

Pemodelan Risiko Kredit dengan Python

Lihat Kursus

Petunjuk latihan

Tetapkan ulang nilai loan_status menggunakan ambang 0.4.
Simpan jumlah gagal bayar di preds_df dengan memilih nilai kedua dari hasil value counts dan simpan sebagai num_defaults.
Dapatkan tingkat recall default dari matriks klasifikasi dan simpan sebagai default_recall.
Perkirakan kerugian tak terduga dari recall default yang baru dengan mengalikan 1 - default_recall dengan nilai pinjaman rata-rata dan jumlah pinjaman yang gagal bayar.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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 - ____))

Edit dan Jalankan Kode