Sabit bir kabul oranı verildiğinde kötü oranını hesaplama
Videoda, aşağıdakiler verildiğinde bir bankanın kredi portföyündeki kötü oranını (ya da temerrüt yüzdesini) nasıl hesaplayacağını öğrendin:
- belirli bir model
- kabul oranı
Bu egzersizde, daha önce kurduğun budanmış ağaç ptree_prior ve %80 kabul oranı kullanıldığında bir bankanın bekleyebileceği kötü oranını hesaplayacaksın. Hatırlatma olarak, ağaç sağ tarafta çizili durumda.
Bu egzersiz
R ile Kredi Riski Modellemesi
kursunun bir parçasıdırEgzersiz talimatları
- Betikte, budanmış ağaç ve
test_setkullanılarak temerrüt olasılığına dair tahminler üretmek için gereken kod veriliyor. Unutma: bir ağaç içinpredict()fonksiyonunu kullandığında, temerrüt olasılığı ikinci sütunda bulunur. Bu yüzdenpredict()fonksiyonuna[,2]eklendi. prob_default_priorkullanarak %80 kabul oranına yol açan eşik değerini (cut-off) elde et. Bunu yapmak için quantile() fonksiyonunu kullanabilir, ikinci argümanı 0.8 olarak ayarlayabilirsin. İsminicutoff_priorkoy.- Gerçek ikili temerrüt tahminlerini (0 veya 1) elde etmek için gereken kod verildi. ifelse() burada kullanılıyor. Nesnenin adını
bin_pred_prior_80yap. - %80 kabul oranına göre kabul edilen krediler için
test_setiçindeki temerrüt göstergelerini seçmek için gereken kod verildi. - Kabul edilen krediler için temerrüt yüzdesini (ya da "kötü oranını") hesapla. Bu,
accepted_status_prior_80içindeki1lerin sayısının bu vektördeki toplam gözlem sayısına bölünmesidir. Çözümü R konsoluna yazdır.
Uygulamalı interaktif egzersiz
Bu örnek kodu tamamlayarak bu egzersizi bitirin.
# Make predictions for the probability of default using the pruned tree and the test set.
prob_default_prior <- predict(ptree_prior, newdata = test_set)[ ,2]
# Obtain the cutoff for acceptance rate 80%
# Obtain the binary predictions.
bin_pred_prior_80 <- ifelse(prob_default_prior > cutoff_prior, 1, 0)
# Obtain the actual default status for the accepted loans
accepted_status_prior_80 <- test_set$loan_status[bin_pred_prior_80 == 0]
# Obtain the bad rate for the accepted loans