Acceptansnivåer
Att ange en acceptansnivå och beräkna motsvarande tröskelvärde kan användas för att bestämma hur stor andel av nya lån du vill godkänna. Anta i den här övningen att testdatan utgör en ny omgång låneansökningar. Du behöver använda funktionen quantile() från numpy för att beräkna tröskelvärdet.
Tröskelvärdet ska sedan användas för att tilldela nya värden i loan_status. Förändras antalet betalningsinställelser och icke-betalningsinställelser i datan?
Den tränade modellen clf_gbt och dataramen med dess prediktioner, test_pred_df, finns tillgängliga.
Den här övningen är en del av kursen
Kreditriskmodellering i Python
Övningsinstruktioner
- Skriv ut sammanfattande statistik för
prob_defaulti prediktionsdataramen med hjälp av.describe(). - Beräkna tröskelvärdet för en acceptansnivå på
85%medquantile()och lagra det somthreshold_85. - Skapa en ny kolumn med namnet
pred_loan_statusbaserat påthreshold_85. - Skriv ut värderäkningarna för de nya värdena i
pred_loan_status.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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(____[____].____())