Wydajność portfela z gradient boosting

Do tej pory analizowałeś/analizowałaś prognozowanie prawdopodobieństwa niewykonania zobowiązania przy użyciu zarówno LogisticRegression(), jak i XGBClassifier(). Sprawdzałeś/sprawdzałaś różne miary oceny i przeglądałeś/przeglądałaś próbki prognoz – ale jaki jest łączny wpływ na wydajność portfela? Spróbuj użyć oczekiwanej straty jako scenariusza, który pokazuje, jak ważne jest testowanie różnych modeli.

Ramka danych o nazwie portfolio została przygotowana tak, aby łączyć prawdopodobieństwa niewykonania zobowiązania dla obu modeli, stratę w przypadku niewykonania zobowiązania (przyjmij na razie 20%) oraz loan_amnt, który będzie traktowany jako ekspozycja w momencie niewykonania zobowiązania.

Ramka danych cr_loan_prep wraz ze zbiorami treningowymi X_train i y_train zostały wczytane do środowiska pracy.

To ćwiczenie jest częścią kursu

Modelowanie ryzyka kredytowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Wyświetl pierwsze pięć wierszy ramki portfolio.
Utwórz kolumnę expected_loss dla modeli gbt i lr, nadając im nazwy odpowiednio gbt_expected_loss i lr_expected_loss.
Wyświetl sumę lr_expected_loss dla całego portfolio.
Wyświetl sumę gbt_expected_loss dla całego portfolio.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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.____(____[____]))

Edytuj i uruchom kod