Acceptatiepercentages

Een acceptatiepercentage instellen en de bijbehorende drempelwaarde berekenen, kun je gebruiken om het percentage nieuwe leningen te bepalen dat je wilt accepteren. Ga voor deze oefening ervan uit dat de testgegevens een nieuwe batch leningen zijn. Je moet de functie quantile() uit numpy gebruiken om de drempelwaarde te berekenen.

De drempelwaarde moet worden gebruikt om nieuwe waarden voor loan_status toe te wijzen. Verandert het aantal defaults en non-defaults in de data?

Het getrainde model clf_gbt en het gegevensframe met de voorspellingen daarvan, test_pred_df, zijn beschikbaar.

Deze oefening maakt deel uit van de cursus

Kredietrisicomodellering in Python

Cursus bekijken

Oefeninstructies

Print de samenvattende statistieken van prob_default in het voorspellingsgegevensframe met .describe().
Bereken de drempelwaarde voor een acceptatiepercentage van 85% met quantile() en sla deze op als threshold_85.
Maak een nieuwe kolom pred_loan_status op basis van threshold_85.
Print de value counts van de nieuwe waarden in pred_loan_status.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Check the statistics of the probabilities of default
print(____[____].describe())

# Calculate the threshold for a 85% acceptance rate
____ = np.____(____['prob_default'], ____)

# Apply acceptance rate threshold
____[____] = ____[____].apply(lambda x: 1 if x > ____ else 0)

# Print the counts of loan status after the threshold
print(____[____].____())

Code bewerken en uitvoeren