Wskaźniki złych pożyczek

Znając współczynnik akceptacji, możesz teraz przeanalizować wskaźnik złych pożyczek wśród zaakceptowanych wniosków. Dzięki temu zobaczysz, jaki odsetek niewywiązań z zobowiązań znalazł się w portfelu zaakceptowanych pożyczek.

Zastanów się nad wpływem współczynnika akceptacji na wskaźnik złych pożyczek. Ustawiamy współczynnik akceptacji tak, aby ograniczyć liczbę niewywiązań w portfelu – te są bowiem kosztowniejsze. Czy wskaźnik złych pożyczek będzie niższy niż ogólny odsetek niewywiązań w danych testowych?

Ramka danych z przewidywaniami test_pred_df została wczytana do środowiska.

To ćwiczenie jest częścią kursu

Modelowanie ryzyka kredytowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Wyświetl pierwsze pięć wierszy ramki danych z przewidywaniami.
Utwórz podzbiór o nazwie accepted_loans, który zawiera wyłącznie pożyczki z przewidywanym statusem 0.
Oblicz wskaźnik złych pożyczek na podstawie kolumny true_loan_status tego podzbioru, korzystając z funkcji sum() i .count().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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'].____())

Edytuj i uruchom kod