Як пороги впливають на ефективність
Встановлення порогу 0.4 показує обнадійливі результати оцінювання моделі. Тепер ви можете оцінити фінансовий вплив, використовуючи recall для класу дефолту, який береться зі звіту про класифікацію за допомогою функції precision_recall_fscore_support().
Для цього ви оціните величину неочікуваних збитків, використовуючи recall для дефолтів, щоб з'ясувати, яку частку дефолтів ви НЕ виявили з новим порогом. Це буде сума в доларах, яка показує, яких збитків ви зазнали б, якби всі невиявлені дефолти відбулися одночасно.
Середню суму кредиту avg_loan_amnt вже обчислено й надано у робочому просторі разом із preds_df та y_test.
Ця вправа є частиною курсу
Моделювання кредитного ризику в Python
Інструкції до вправи
- Перепризначте значення
loan_status, використавши поріг0.4. - Збережіть кількість дефолтів у
preds_df, вибравши друге значення з підрахунку значень, і збережіть його якnum_defaults. - Отримайте показник recall для дефолту з матриці класифікації та збережіть його як
default_recall. - Оцініть неочікувані збитки з нового показника recall для дефолту, помноживши
1 - default_recallна середню суму кредиту та кількість кредитів у дефолті.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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 - ____))