1. Learn
    2. /
  2. Courses
    3. /
  3. Modelagem de risco de crédito em Python
  • 1

    Exploração e preparação de dados de empréstimo

    Free

    Neste primeiro capítulo, discutiremos o conceito de risco de crédito e definiremos como ele é calculado. Usando tabelas cruzadas e gráficos, exploraremos um conjunto de dados do mundo real. Antes de aplicar o aprendizado de máquina, processaremos esses dados encontrando e resolvendo problemas.

  • 2

    Regressão logística para padrões

    Com os dados do empréstimo totalmente preparados, discutiremos o modelo de regressão logística, que é um padrão na modelagem de risco. Entenderemos os componentes desse modelo e como avaliar seu desempenho. Depois de criarmos as previsões, podemos explorar o impacto financeiro da utilização desse modelo.

  • 3

    Árvores com reforço de gradiente usando XGBost

    As árvores de decisão são outro modelo padrão de risco de crédito. Iremos além das árvores de decisão usando o moderno pacote XGBoost em Python para criar árvores com aumento de gradiente. Depois de desenvolver modelos sofisticados, testaremos seu desempenho e discutiremos a seleção de colunas em dados não balanceados.

  • 4

    Avaliação e implementação do modelo

    Depois de desenvolver e testar dois modelos avançados de aprendizado de máquina, usamos as principais métricas de desempenho para compará-los. Usando técnicas avançadas de seleção de modelos especificamente para modelagem financeira, selecionaremos um modelo. Com esse modelo, você poderá: desenvolver uma estratégia de negócios, estimar o valor do portfólio e minimizar a perda esperada.

Initializing

Exercise

Árvores para padrões

Agora você treinará um modelo de árvore com gradiente aumentado nos dados de crédito e verá uma amostra de algumas das previsões. Você se lembra de quando analisou pela primeira vez as previsões do modelo de regressão logística? Eles não pareciam bons. Você acha que esse modelo será diferente?

Os dados de crédito cr_loan_prep, os conjuntos de treinamento X_train e y_train e os dados de teste X_test estão disponíveis no espaço de trabalho. O pacote XGBoost é carregado como xgb.

Instructions

100 XP
  • Crie e treine uma árvore com aumento de gradiente usando XGBClassifier() e nomeie-a como clf_gbt.
  • Preveja as probabilidades de inadimplência nos dados de teste e armazene os resultados em gbt_preds.
  • Crie dois quadros de dados, preds_df e true_df, para armazenar as cinco primeiras previsões e os valores reais de loan_status.
  • Concatene e imprima os quadros de dados true_df e preds_df em ordem e verifique os resultados do modelo.