しきい値がパフォーマンスに与える影響
しきい値を 0.4 に設定すると、モデル評価としては有望な結果が得られます。次に、precision_recall_fscore_support() を使った分類レポートから選んだ既定の再現率（default recall）を用いて、財務的な影響を評価します。
ここでは、新しいしきい値で捕捉できなかった既定の割合を、既定の再現率から求めて、予期せぬ損失額を見積もります。これは金額（ドル）で表され、見逃した既定がすべて同時に既定した場合に発生する損失を示します。
平均貸付額 avg_loan_amnt は計算済みで、preds_df と y_test とともにワークスペースで利用できます。
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
演習の手順
- しきい値
0.4を使ってloan_statusの値を再割り当てします。 .value_counts()の2番目の値を選んで、preds_df内の既定件数をnum_defaultsとして保存します。- 分類マトリクスから既定の再現率を取得し、
default_recallとして保存します。 - 新しい既定の再現率から予期せぬ損失を見積もります。
1 - default_recallに平均貸付額と既定ローン件数を掛けて計算します。
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。
# 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 - ____))