Hiệu suất danh mục với Gradient Boosted Trees

Đến thời điểm này, bạn đã thử dự báo xác suất vỡ nợ bằng cả LogisticRegression() và XGBClassifier(). Bạn đã xem một số điểm số và các mẫu dự báo, nhưng tác động tổng thể lên hiệu suất danh mục là gì? Hãy dùng tổn thất kỳ vọng như một kịch bản để thể hiện tầm quan trọng của việc kiểm thử các mô hình khác nhau.

Một data frame tên portfolio đã được tạo để kết hợp xác suất vỡ nợ của cả hai mô hình, mức tổn thất khi vỡ nợ (tạm giả định 20%), và loan_amnt (giả định là mức phơi nhiễm tại thời điểm vỡ nợ).

Data frame cr_loan_prep cùng với các tập huấn luyện X_train và y_train đã được nạp vào không gian làm việc.

Bài tập này là một phần của khóa học

Mô hình hóa Rủi ro Tín dụng bằng Python

Xem khóa học

Hướng dẫn bài tập

In 5 dòng đầu của portfolio.
Tạo cột expected_loss cho mô hình gbt và lr với tên lần lượt là gbt_expected_loss và lr_expected_loss.
In tổng lr_expected_loss cho toàn bộ portfolio.
In tổng gbt_expected_loss cho toàn bộ portfolio.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# 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.____(____[____]))

Chỉnh sửa và Chạy Mã