Performanța portofoliului cu arbori gradient boosted

Până acum ai explorat predicția probabilității de nerambursare folosind atât LogisticRegression(), cât și XGBClassifier(). Ai analizat câteva scoruri și ai văzut exemple de predicții, dar care este efectul general asupra performanței portofoliului? Încearcă să folosești pierderea așteptată ca scenariu pentru a ilustra importanța testării diferitelor modele.

A fost creat un cadru de date numit portfolio care combină probabilitățile de nerambursare pentru ambele modele, pierderea în caz de nerambursare (presupune 20% deocamdată) și loan_amnt, care va fi considerată expunerea la nerambursare.

Cadrul de date cr_loan_prep, împreună cu seturile de antrenament X_train și y_train, au fost încărcate în spațiul de lucru.

Acest exercițiu face parte din cursul

Modelarea Riscului de Credit în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Afișează primele cinci rânduri din portfolio.
Creează coloana expected_loss pentru modelele gbt și lr, denumind-o gbt_expected_loss, respectiv lr_expected_loss.
Afișează suma valorilor lr_expected_loss pentru întregul portfolio.
Afișează suma valorilor gbt_expected_loss pentru întregul portfolio.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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.____(____[____]))

Editează și rulează codul