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

ćwiczenie

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.

Instrukcje

100 XP
  • 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.