เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ประสิทธิภาพพอร์ตโฟลิโอด้วย Gradient Boosted Trees

ในขั้นตอนนี้ เราได้ลองทำนายความน่าจะเป็นของการผิดนัดชำระหนี้โดยใช้ทั้ง LogisticRegression() และ XGBClassifier() มาแล้ว รวมถึงได้ดูคะแนนและตัวอย่างผลลัพธ์ของการทำนาย แต่ผลกระทบโดยรวมต่อประสิทธิภาพของพอร์ตโฟลิโอเป็นอย่างไร? ลองใช้ expected loss เป็น scenario เพื่อแสดงให้เห็นความสำคัญของการทดสอบโมเดลที่แตกต่างกัน

ได้สร้าง data frame ชื่อ portfolio ขึ้นมาเพื่อรวบรวมความน่าจะเป็นของการผิดนัดชำระหนี้จากทั้งสองโมเดล, loss given default (สมมติให้เป็น 20% ในตอนนี้), และ loan_amnt ซึ่งจะใช้แทน exposure at default

ได้โหลด data frame cr_loan_prep พร้อมกับชุดข้อมูลฝึก X_train และ y_train เข้าสู่ workspace แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การสร้างโมเดลความเสี่ยงด้านเครดิตด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • แสดง 5 แถวแรกของ portfolio
  • สร้างคอลัมน์ expected_loss สำหรับโมเดล gbt และ lr โดยตั้งชื่อว่า gbt_expected_loss และ lr_expected_loss
  • แสดงผลรวมของ lr_expected_loss สำหรับ portfolio ทั้งหมด
  • แสดงผลรวมของ gbt_expected_loss สำหรับ portfolio ทั้งหมด

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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.____(____[____]))
แก้ไขและรันโค้ด