Taxas de inadimplência

Com a taxa de aprovação em mente, você pode agora analisar a taxa de inadimplência dentro dos empréstimos aprovados. Assim, você verá a porcentagem de inadimplências que foram aprovadas.

Pense no impacto da taxa de aprovação e da taxa de inadimplência. Definimos uma taxa de aprovação para ter menos inadimplências na carteira, pois inadimplências são mais custosas. A taxa de inadimplência será menor do que a porcentagem de inadimplências nos dados de teste?

O data frame de previsões test_pred_df já foi carregado no ambiente de trabalho.

Este exercício faz parte do curso

Modelagem de Risco de Crédito em Python

Ver curso

Instruções do exercício

Imprima as cinco primeiras linhas do data frame de previsões.
Crie um subconjunto chamado accepted_loans que contenha apenas os empréstimos cujo status previsto é 0.
Calcule a taxa de inadimplência com base em true_loan_status do subconjunto usando sum() e .count().

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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'].____())

Editar e executar o código