1. 学ぶ
    2. /
  2. コース
    3. /
  3. Pythonで学ぶクレジットリスクモデリング
Connected

演習

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。

指示

100 XP
  • 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。