Rate de acceptare

Setarea unei rate de acceptare și calcularea pragului corespunzător îți permit să stabilești procentul de împrumuturi noi pe care vrei să le accepți. Pentru acest exercițiu, consideră că datele de testare reprezintă un nou lot de împrumuturi. Va trebui să folosești funcția quantile() din numpy pentru a calcula pragul.

Pragul va fi utilizat pentru a atribui noi valori loan_status. Oare numărul de cazuri de nerambursare și de rambursare din date se modifică?

Modelul antrenat clf_gbt și cadrul de date cu predicțiile sale, test_pred_df, sunt disponibile.

Acest exercițiu face parte din cursul

Modelarea Riscului de Credit în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Afișează statisticile sumare ale coloanei prob_default din cadrul de date cu predicții, folosind .describe().
Calculează pragul pentru o rată de acceptare de 85% utilizând quantile() și stochează-l ca threshold_85.
Creează o coloană nouă numită pred_loan_status bazată pe threshold_85.
Afișează numărul de apariții ale noilor valori din pred_loan_status.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Check the statistics of the probabilities of default
print(____[____].describe())

# Calculate the threshold for a 85% acceptance rate
____ = np.____(____['prob_default'], ____)

# Apply acceptance rate threshold
____[____] = ____[____].apply(lambda x: 1 if x > ____ else 0)

# Print the counts of loan status after the threshold
print(____[____].____())

Editează și rulează codul