Bad rates

Met de acceptatiegraad in gedachten kun je nu de bad rate binnen de geaccepteerde leningen analyseren. Zo kun je zien welk percentage wanbetalingen is geaccepteerd.

Denk na over de impact van de acceptatiegraad en de bad rate. We stellen een acceptatiegraad in om minder wanbetalingen in de portefeuille te hebben, omdat wanbetalingen kostbaarder zijn. Zal de bad rate lager zijn dan het percentage wanbetalingen in de testgegevens?

Het voorspellingen-dataframe test_pred_df is in de werkruimte geladen.

Deze oefening maakt deel uit van de cursus

Kredietrisicomodellering in Python

Cursus bekijken

Oefeninstructies

Print de eerste vijf rijen van het voorspellingen-dataframe.
Maak een subset genaamd accepted_loans die alleen leningen bevat waar de voorspelde leningstatus 0 is.
Bereken de bad rate op basis van true_loan_status van de subset met sum() en .count().

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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'].____())

Code bewerken en uitvoeren