Эффективность портфеля на основе градиентного бустинга

К этому моменту вы рассмотрели прогнозирование вероятности дефолта с помощью LogisticRegression() и XGBClassifier(). Вы изучили ряд метрик оценки и ознакомились с примерами прогнозов — но как всё это влияет на общую эффективность портфеля? Попробуйте использовать ожидаемые потери как сценарий, наглядно показывающий важность тестирования разных моделей.

Фрейм данных portfolio уже создан: он объединяет вероятности дефолта для обеих моделей, долю потерь при дефолте (пока считайте её равной 20%) и столбец loan_amnt, который принимается за величину требования под риском.

Фрейм данных cr_loan_prep, а также обучающие выборки X_train и y_train уже загружены в рабочую среду.

Это упражнение является частью курса

Моделирование кредитного риска на Python

Посмотреть курс

Инструкции к упражнению

Выведите первые пять строк фрейма данных portfolio.
Создайте столбец expected_loss для моделей gbt и lr с именами gbt_expected_loss и lr_expected_loss соответственно.
Выведите сумму lr_expected_loss по всему фрейму данных portfolio.
Выведите сумму gbt_expected_loss по всему фрейму данных portfolio.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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.____(____[____]))

Редактировать и запускать код