Taxas ruins

Com a taxa de aceitação em mente, agora você pode analisar a taxa de inadimplência dos empréstimos aceitos. Dessa forma, você poderá ver a porcentagem de inadimplências que foram aceitas.

Pense no impacto da taxa de aceitação e da taxa ruim. Definimos uma taxa de aceitação para que haja menos inadimplência no portfólio porque a inadimplência é mais cara. A taxa de inadimplência será menor do que a porcentagem de inadimplência nos dados de teste?

O quadro de dados de previsões test_pred_df foi carregado no espaço de trabalho.

Este exercício faz parte do curso

Modelagem de risco de crédito em Python

Ver curso

Instruções do exercício

Imprima as primeiras cinco linhas do quadro de dados de previsões.
Crie um subconjunto chamado accepted_loans que contenha apenas empréstimos em que o status de empréstimo previsto seja 0.
Calcule a taxa ruim 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