梯度提升的投资组合表现

到目前为止，您已经使用 LogisticRegression() 和 XGBClassifier() 来预测违约概率。您也查看了一些评分并看过预测样本，但这对整体投资组合表现有何影响？请以期望损失为情景，来体现测试不同模型的重要性。

已创建名为 portfolio 的数据框，用于合并两个模型的违约概率、违约损失率（目前假设为 20%），以及被视为违约时风险敞口的 loan_amnt。

数据框 cr_loan_prep 以及训练集 X_train 和 y_train 已加载到工作区。

本练习是课程的一部分

Python 信用风险建模

查看课程

练习说明

打印 portfolio 的前 5 行。
为 gbt 和 lr 模型创建名为 gbt_expected_loss 和 lr_expected_loss 的 expected_loss 列。
打印整个 portfolio 的 lr_expected_loss 总和。
打印整个 portfolio 的 gbt_expected_loss 总和。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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.____(____[____]))

编辑并运行代码