Ngưỡng ảnh hưởng thế nào đến hiệu năng
Đặt ngưỡng là 0.4 cho thấy kết quả khả quan khi đánh giá mô hình. Giờ bạn có thể ước tính tác động tài chính bằng cách dùng recall của lớp vỡ nợ (default recall), được lấy từ báo cáo phân loại thông qua hàm precision_recall_fscore_support().
Với điều này, bạn sẽ ước tính khoản lỗ bất ngờ (unexpected loss) bằng cách dùng default recall để tìm tỷ lệ các khoản vỡ nợ mà bạn KHÔNG bắt được với ngưỡng mới. Đây sẽ là một con số đô la cho biết bạn sẽ lỗ bao nhiêu nếu tất cả các khoản vỡ nợ không bị phát hiện đồng loạt vỡ nợ.
Giá trị khoản vay trung bình, avg_loan_amnt, đã được tính và cung cấp sẵn trong không gian làm việc cùng với preds_df và y_test.
Bài tập này là một phần của khóa học
Mô hình hóa Rủi ro Tín dụng bằng Python
Hướng dẫn bài tập
- Gán lại các giá trị
loan_statusvới ngưỡng0.4. - Lưu số lượng khoản vỡ nợ trong
preds_dfbằng cách chọn giá trị thứ hai từ kết quả đếm và lưu vàonum_defaults. - Lấy tỷ lệ recall của lớp vỡ nợ từ ma trận phân loại và lưu vào
default_recall. - Ước tính khoản lỗ bất ngờ từ default recall mới bằng cách nhân
1 - default_recallvới khoản vay trung bình và số lượng khoản vay vỡ nợ.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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 - ____))