不良率（Bad rates）
受入率を踏まえて、次は受け入れられたローンの中での不良率を分析します。こうすることで、受け入れられた中にどの程度デフォルトが含まれているかを確認できます。
受入率と不良率の影響について考えてみましょう。デフォルトはコストが高いため、ポートフォリオのデフォルトを減らす目的で受入率を設定します。不良率は、テストデータにおけるデフォルト割合より小さくなるでしょうか？
予測結果のデータフレーム test_pred_df はワークスペースに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
演習の手順
- 予測結果のデータフレームの先頭5行を表示します。
- 予測されたローンステータスが
0のローンのみを含むサブセットaccepted_loansを作成します。 - サブセットの
true_loan_statusに基づいて、sum()と.count()を使って不良率を計算します。
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。
# Print the top 5 rows of the new data frame
print(____.____())
# Create a subset of only accepted loans
____ = ____[____['pred_loan_status'] == ____]
# Calculate the bad rate
print(np.____(____['true_loan_status']) / ____['true_loan_status'].____())