Gradient boosted portföy performansı

Bu noktada temerrüt olasılığını hem LogisticRegression() hem de XGBClassifier() kullanarak tahmin etmeyi gördün. Bazı skorlamalara baktın ve tahmin örneklerini gördün; peki bunun portföy performansı üzerindeki genel etkisi ne? Farklı modelleri test etmenin önemini anlatmak için beklenen zararı bir senaryo olarak kullanmayı dene.

portfolio adlı bir veri çerçevesi oluşturuldu; her iki model için temerrüt olasılıklarını, temerrüt halinde zarar (şimdilik %20 varsay) ve temerrüt anındaki maruz kalma olarak kabul edeceğimiz loan_amnt değerini bir araya getiriyor.

cr_loan_prep veri çerçevesi ile X_train ve y_train eğitim kümeleri çalışma alanına yüklendi.

Bu egzersiz

Python ile Kredi Riski Modellemesi

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

portfolio'nun ilk beş satırını yazdır.
gbt ve lr modelleri için gbt_expected_loss ve lr_expected_loss adlı expected_loss sütunlarını oluştur.
Tüm portfolio için lr_expected_loss toplamını yazdır.
Tüm portfolio için gbt_expected_loss toplamını yazdır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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.____(____[____]))

Kodu Düzenle ve Çalıştır