Eşik değerlerinin performansa etkisi
Eşik değerini 0.4 olarak ayarlamak, model değerlendirmesi için umut verici sonuçlar gösteriyor. Şimdi precision_recall_fscore_support() fonksiyonunu kullanarak sınıflandırma raporundan seçilecek default recall ile finansal etkiyi değerlendirebilirsin.
Bunun için, yeni eşik değeriyle yakalayamadığın temerrütlerin oranını bulmak üzere default recall değerini kullanarak beklenmeyen kayıp tutarını tahmin edeceksin. Bu, tüm bulunamayan temerrütlerin aynı anda temerrüde düştüğünü varsayarsak, ne kadar zarar edeceğini dolar cinsinden gösteren bir miktar olacaktır.
Ortalama kredi değeri avg_loan_amnt hesaplandı ve çalışma alanında preds_df ve y_test ile birlikte hazırlandı.
Bu egzersiz
Python ile Kredi Riski Modellemesi
kursunun bir parçasıdırEgzersiz talimatları
loan_statusdeğerlerini0.4eşik değerini kullanarak yeniden ata.preds_dfiçindeki temerrüt sayısını, value counts çıktısındaki ikinci değeri seçereknum_defaultsolarak sakla.- Sınıflandırma matrisinden default recall oranını al ve
default_recallolarak sakla. - Yeni default recall değerinden beklenmeyen kaybı,
(1 - default_recall)ile ortalama kredi tutarını ve temerrüt kredi sayısını çarparak tahmin et.
Uygulamalı interaktif egzersiz
Bu örnek kodu tamamlayarak bu egzersizi bitirin.
# 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 - ____))