Jak progi wpływają na wydajność modelu

Ustawienie progu na 0.4 daje obiecujące wyniki przy ocenie modelu. Teraz możesz oszacować wpływ finansowy, korzystając ze współczynnika recall dla niespłaconych kredytów – wybieranego z raportu klasyfikacji za pomocą funkcji precision_recall_fscore_support().

Szacowanie polega na obliczeniu wysokości nieoczekiwanych strat: współczynnik recall wskazuje, jaką część niespłaconych kredytów nie wykryto przy nowym progu. Wynik podany w dolarach odpowiada łącznym stratom, gdyby wszystkie niewykryte przypadki rzeczywiście zakończyły się niespłaceniem.

Średnia wartość kredytu, avg_loan_amnt, została obliczona i jest dostępna w środowisku pracy razem z preds_df i y_test.

To ćwiczenie jest częścią kursu

Modelowanie ryzyka kredytowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Przypisz ponownie wartości loan_status, używając progu 0.4.
Zapisz liczbę niespłaconych kredytów w preds_df, wybierając drugą wartość z licznika wartości, i zapisz ją jako num_defaults.
Pobierz współczynnik recall dla niespłaconych kredytów z macierzy klasyfikacji i zapisz go jako default_recall.
Oblicz nieoczekiwane straty wynikające z nowego współczynnika recall, mnożąc 1 - default_recall przez średnią wartość kredytu i liczbę niespłaconych kredytów.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Reassign the values of loan status based on the new threshold
____[____] = ____[____].____(lambda x: 1 if x > ____ else 0)

# Store the number of loan defaults from the prediction data
____ = preds_df[____].____()[1]

# Store the default recall from the classification report
____ = ____(____,preds_df[____])[1][1]

# Calculate the estimated impact of the new default recall rate
print(____ * ____ * (1 - ____))

Edytuj i uruchom kod