A Gradient impulsionou o desempenho do portfólio
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.
Este exercício faz parte do curso
Modelagem de risco de crédito em Python
Instruções do exercício
- Imprima as cinco primeiras linhas de
portfolio. - Crie a coluna
expected_losspara os modelosgbtelrcom os nomesgbt_expected_losselr_expected_loss. - Imprima a soma de
lr_expected_losspara todo oportfolio. - Imprima a soma de
gbt_expected_losspara todo oportfolio.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Print the first five rows of the portfolio data frame
print(____.____())
# Create expected loss columns for each model using the formula
portfolio[____] = portfolio[____] * portfolio[____] * portfolio[____]
portfolio[____] = portfolio[____] * portfolio[____] * portfolio[____]
# Print the sum of the expected loss for lr
print('LR expected loss: ', np.____(____[____]))
# Print the sum of the expected loss for gbt
print('GBT expected loss: ', np.____(____[____]))