Hur tröskelvärden påverkar prestandan
Att sätta tröskelvärdet till 0.4 ger lovande resultat vid modellutvärdering. Nu kan du bedöma den ekonomiska effekten med hjälp av återkallelsegraden för fallissemang, som hämtas från klassificeringsrapporten via funktionen precision_recall_fscore_support().
Här ska du uppskatta storleken på oväntade förluster. Det gör du genom att använda återkallelsegraden för fallissemang för att ta reda på hur stor andel av fallissemangen du inte fångade upp med det nya tröskelvärdet. Resultatet blir ett belopp i dollar som visar hur stora förluster du skulle drabbas av om alla oupptäckta fallissemang inträffar samtidigt.
Genomsnittet för lånebeloppet, avg_loan_amnt, har beräknats och finns tillgängligt i workspace tillsammans med preds_df och y_test.
Den här övningen är en del av kursen
Kreditriskmodellering i Python
Övningsinstruktioner
- Tilldela om
loan_status-värdena med tröskelvärdet0.4. - Lagra antalet fallissemang i
preds_dfgenom att välja det andra värdet från värderäkningen och spara det somnum_defaults. - Hämta återkallelsegraden för fallissemang från klassificeringsmatrisen och spara den som
default_recall. - Uppskatta den oväntade förlusten utifrån den nya återkallelsegraden för fallissemang genom att multiplicera
1 - default_recallmed det genomsnittliga lånebeloppet och antalet fallissemangelån.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Reassign the values of loan status based on the new threshold
____[____] = ____[____].____(lambda x: 1 if x > ____ else 0)
# Store the number of loan defaults from the prediction data
____ = preds_df[____].____()[1]
# Store the default recall from the classification report
____ = ____(____,preds_df[____])[1][1]
# Calculate the estimated impact of the new default recall rate
print(____ * ____ * (1 - ____))