Рівні неповернень (bad rates)

Маючи на увазі рівень схвалення, тепер ви можете проаналізувати показник неповернень (bad rate) серед схвалених кредитів. Так ви побачите частку дефолтів, які були схвалені.

Поміркуйте над впливом рівня схвалення та показника неповернень. Ми встановлюємо рівень схвалення так, щоб у портфелі було менше дефолтів, адже дефолти дорожчі. Чи буде показник неповернень меншим за частку дефолтів у тестових даних?

Датафрейм із прогнозами test_pred_df вже завантажено в робочу область.

Ця вправа є частиною курсу

Моделювання кредитного ризику в Python

Переглянути курс

Інструкції до вправи

Виведіть перші п'ять рядків датафрейму з прогнозами.
Створіть підмножину accepted_loans, яка містить лише кредити, де прогнозований статус кредиту дорівнює 0.
Обчисліть показник неповернень на основі true_loan_status у підмножині, використовуючи sum() та .count().

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Print the top 5 rows of the new data frame
print(____.____())

# Create a subset of only accepted loans
____ = ____[____['pred_loan_status'] == ____]

# Calculate the bad rate
print(np.____(____['true_loan_status']) / ____['true_loan_status'].____())

Редагувати та запускати код