Neste ponto, você já analisou a previsão da probabilidade de inadimplência usando os sites LogisticRegression() e XGBClassifier(). Você analisou algumas pontuações e viu amostras das previsões, mas qual é o efeito geral sobre o desempenho do portfólio? Tente usar a perda esperada como um cenário para expressar a importância de testar modelos diferentes.

Um quadro de dados chamado portfolio foi criado para combinar as probabilidades de inadimplência de ambos os modelos, a perda dada a inadimplência (suponha 20% por enquanto) e o loan_amnt, que será considerado a exposição na inadimplência.

O quadro de dados cr_loan_prep, juntamente com os conjuntos de treinamento X_train e y_train, foram carregados no espaço de trabalho.

Árvores com aumento de gradiente com XGBost

Create Your Free Account