Obliczanie wskaźnika złych kredytów dla ustalonego współczynnika akceptacji
W lekcji wideo nauczyłeś(-aś) się, jak obliczać wskaźnik złych kredytów (czyli odsetek niespłaconych pożyczek) w portfelu kredytowym banku, mając dane:
- konkretny model
- współczynnik akceptacji
W tym ćwiczeniu obliczysz wskaźnik złych kredytów, jakiego bank może się spodziewać, używając przyciętego drzewa ptree_prior dopasowanego wcześniej oraz współczynnika akceptacji wynoszącego 80%. Dla przypomnienia – drzewo jest wyświetlone po prawej stronie ekranu.
To ćwiczenie jest częścią kursu
Modelowanie ryzyka kredytowego w R
Instrukcje do ćwiczenia
- W skrypcie znajdziesz gotowy kod do generowania predykcji prawdopodobieństwa niewywiązania się ze zobowiązania przy użyciu przyciętego drzewa i zbioru
test_set. Pamiętaj, że przy użyciu funkcjipredict()dla drzewa prawdopodobieństwo niewywiązania się ze zobowiązania znajduje się w drugiej kolumnie – dlatego do wywołaniapredict()dodano[,2]. - Wyznacz punkt odcięcia odpowiadający współczynnikowi akceptacji 80%, korzystając z
prob_default_prior. Możesz użyć funkcji quantile(), ustawiając drugi argument na wartość 0.8. Przypisz wynik do obiektu o nazwiecutoff_prior. - Kod do uzyskania binarnych predykcji niewywiązania się ze zobowiązania (0 lub 1) jest już dostarczony – używa funkcji ifelse(). Nadaj obiektowi nazwę
bin_pred_prior_80. - Kod do wyboru wskaźników niewywiązania się ze zobowiązania z
test_setdla zaakceptowanych pożyczek przy 80% współczynniku akceptacji jest już dostarczony. - Oblicz odsetek niespłaconych pożyczek (czyli „wskaźnik złych kredytów") dla zaakceptowanych pożyczek. Jest to liczba wystąpień wartości
1waccepted_status_prior_80podzielona przez łączną liczbę elementów tego wektora. Wyświetl wynik w konsoli R.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Make predictions for the probability of default using the pruned tree and the test set.
prob_default_prior <- predict(ptree_prior, newdata = test_set)[ ,2]
# Obtain the cutoff for acceptance rate 80%
# Obtain the binary predictions.
bin_pred_prior_80 <- ifelse(prob_default_prior > cutoff_prior, 1, 0)
# Obtain the actual default status for the accepted loans
accepted_status_prior_80 <- test_set$loan_status[bin_pred_prior_80 == 0]
# Obtain the bad rate for the accepted loans