1. Nauka
    2. /
  2. Kursy
    3. /
  3. Modelowanie ryzyka kredytowego w Pythonie
Connected

ćwiczenie

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.

Instrukcje

100 XP
  • 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.