勾配ブースティングによるポートフォリオのパフォーマンス

ここまでで、LogisticRegression() と XGBClassifier() の両方を使って延滞確率（probability of default）を予測しました。スコアリングや予測のサンプルも確認しましたが、ポートフォリオ全体のパフォーマンスにはどのように影響するのでしょうか？モデルを変えて検証する重要性を、期待損失（expected loss）を用いたシナリオで示してみましょう。

portfolio というデータフレームには、両モデルの延滞確率、デフォルト時損失率（いまは20%と仮定）、そしてデフォルト時エクスポージャとして扱う loan_amnt がまとめられています。

ワークスペースには、データフレーム cr_loan_prep に加えて、学習用の X_train と y_train が読み込まれています。

この演習はコースの一部です

Pythonで学ぶクレジットリスクモデリング

コースを見る

演習の手順

portfolio の最初の5行を出力します。
gbt モデルと lr モデルの expected_loss 列を作成し、それぞれ gbt_expected_loss と lr_expected_loss と名付けます。
ポートフォリオ全体の lr_expected_loss の合計を出力します。
ポートフォリオ全体の gbt_expected_loss の合計を出力します。

実践的なインタラクティブ演習

このサンプルコードを完成させて、この演習に挑戦してみましょう。

# 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.____(____[____]))

コードを編集して実行