Portföljprestanda med gradientförstärkta träd

Du har nu undersökt hur man predicerar sannolikheten för fallissemang med både LogisticRegression() och XGBClassifier(). Du har tittat på olika mätvärden och sett exempel på prediktioner – men hur påverkas portföljprestandan sammantaget? Prova att använda förväntad förlust som ett scenario för att illustrera vikten av att testa olika modeller.

En dataram kallad portfolio har skapats för att kombinera sannolikheterna för fallissemang från båda modellerna, förlusten givet fallissemang (antag 20 % för tillfället) samt loan_amnt, som antas motsvara exponeringen vid fallissemang.

Dataramen cr_loan_prep samt träningsuppsättningarna X_train och y_train har laddats in i arbetsmiljön.

Den här övningen är en del av kursen

Kreditriskmodellering i Python

Visa kurs

Övningsinstruktioner

Skriv ut de fem första raderna i portfolio.
Skapa kolumnen expected_loss för gbt- och lr-modellen med namnen gbt_expected_loss respektive lr_expected_loss.
Skriv ut summan av lr_expected_loss för hela portfolio.
Skriv ut summan av gbt_expected_loss för hela portfolio.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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.____(____[____]))

Redigera och kör kod