ПочатиПочніть безкоштовно

Ефективність портфеля з gradient boosted моделлю

На цьому етапі ви спрогнозували ймовірність дефолту за допомогою LogisticRegression() і XGBClassifier(). Ви переглянули метрики та зразки прогнозів, але який загальний вплив на ефективність портфеля? Спробуйте використати очікуваний збиток як сценарій, щоб показати важливість тестування різних моделей.

Створено датафрейм portfolio, який об'єднує ймовірності дефолту для обох моделей, величину збитку у разі дефолту (поки що припустімо 20%) та loan_amnt, який вважатимемо експозицією на момент дефолту.

Датафрейм cr_loan_prep, а також тренувальні вибірки X_train і y_train завантажено в робочий простір.

Ця вправа є частиною курсу

Моделювання кредитного ризику в Python

Переглянути курс

Інструкції до вправи

  • Виведіть перші п'ять рядків portfolio.
  • Створіть стовпці expected_loss для моделей gbt і lr з назвами gbt_expected_loss та lr_expected_loss.
  • Виведіть суму lr_expected_loss для всього portfolio.
  • Виведіть суму gbt_expected_loss для всього portfolio.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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.____(____[____]))
Редагувати та запускати код