Andel dåliga lån

Nu när du känner till acceptansgraden kan du analysera andelen dåliga lån bland de godkända lånen. På så sätt kan du se hur stor andel av fallissemangen som faktiskt har accepterats.

Tänk på hur acceptansgrad och andel dåliga lån hänger ihop. Vi sätter en acceptansgrad för att begränsa antalet fallissemang i portföljen, eftersom fallissemang är mer kostsamma. Kommer andelen dåliga lån att vara lägre än den totala andelen fallissemang i testdata?

Prediktionsdataramen test_pred_df har lästs in i arbetsytan.

Den här övningen är en del av kursen

Kreditriskmodellering i Python

Visa kurs

Övningsinstruktioner

Skriv ut de fem första raderna i prediktionsdataramen.
Skapa en delmängd med namnet accepted_loans som bara innehåller lån där förutsedd lånestatus är 0.
Beräkna andelen dåliga lån baserat på true_loan_status i delmängden med hjälp av sum() och .count().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Print the top 5 rows of the new data frame
print(____.____())

# Create a subset of only accepted loans
____ = ____[____['pred_loan_status'] == ____]

# Calculate the bad rate
print(np.____(____['true_loan_status']) / ____['true_loan_status'].____())

Redigera och kör kod