Undersampling van trainingsdata

Tijd om zelf de trainingsset te undersamplen met een paar regels code uit Pandas. Zodra het undersamplen klaar is, kun je de value counts voor loan_status bekijken om de resultaten te controleren.

X_y_train, count_nondefault en count_default zijn al ingeladen in de werkruimte. Ze zijn gemaakt met de volgende code:

X_y_train = pd.concat([X_train.reset_index(drop = True),
                       y_train.reset_index(drop = True)], axis = 1)
count_nondefault, count_default = X_y_train['loan_status'].value_counts()

De .value_counts() voor de oorspronkelijke trainingsdata wordt automatisch geprint.

Deze oefening maakt deel uit van de cursus

Kredietrisicomodellering in Python

Cursus bekijken

Oefeninstructies

Maak gegevenssets van non-defaults en defaults en sla ze op als nondefaults en defaults.
Sample de nondefaults naar hetzelfde aantal als count_default en sla dit op als nondefaults_under.
Concateneer nondefaults en defaults met .concat() en sla dit op als X_y_train_under.
Print de .value_counts() van de loan status voor de nieuwe gegevensset.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Create data sets for defaults and non-defaults
____ = ____[____[____] == 0]
____ = ____[____[____] == 1]

# Undersample the non-defaults
____ = nondefaults.sample(____)

# Concatenate the undersampled nondefaults with defaults
____ = pd.____([____.reset_index(drop = True),
                             ____.reset_index(drop = True)], axis = 0)

# Print the value counts for loan status
print(____[____].____())

Code bewerken en uitvoeren