Gradient boosted 포트폴리오 성과
지금까지 LogisticRegression()과 XGBClassifier() 두 모델을 사용해 부도확률을 예측해 보셨습니다. 일부 스코어링과 예측 샘플도 살펴봤는데요, 그렇다면 포트폴리오 전체 성과에는 어떤 영향이 있을까요? 서로 다른 모델을 테스트하는 중요성을 보여 주기 위해, 기대손실(expected loss)을 지표로 사용해 보세요.
두 모델의 부도확률, 부도 시 손실률(현재는 20%로 가정), 그리고 부도 시 익스포저로 가정할 loan_amnt를 합쳐 둔 portfolio라는 데이터 프레임이 준비되어 있습니다.
또한 작업 공간에는 cr_loan_prep 데이터 프레임과 X_train, y_train 학습용 데이터 세트가 로드되어 있습니다.
이 연습은 강의의 일부입니다
Python으로 배우는 신용 리스크 모델링
연습 안내
portfolio의 처음 다섯 행을 출력하세요.gbt와lr모델에 대해expected_loss열을 생성하고, 각각gbt_expected_loss와lr_expected_loss라고 이름을 지정하세요.- 포트폴리오 전체에 대한
lr_expected_loss의 합계를 출력하세요. - 포트폴리오 전체에 대한
gbt_expected_loss의 합계를 출력하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# 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.____(____[____]))