or
本练习是课程的一部分
在第一章中，我们将讨论信用风险的概念，并界定其计算方式。借助交叉表和可视化图表，我们将探索一个真实数据集。在应用机器学习之前，我们会通过发现并解决问题来处理这些数据。
在贷款数据充分准备好之后，我们将讨论逻辑回归模型，它是风险建模中的标准方法。我们将理解该模型的组成部分，以及如何评估其性能。一旦生成预测结果，我们就可以分析使用该模型的财务影响。
决策树是另一种常见的信用风险模型。我们将更进一步，使用 Python 中流行的 XGBoost 包来构建梯度提升树。开发出更复杂的模型后，我们将对其性能进行压力测试，并讨论在类别不平衡数据中的特征（列）选择。
当前练习
在开发并测试了两种强大的机器学习模型后，我们将使用关键性能指标对它们进行比较。通过专为金融建模设计的高级模型选择技术，我们将选出一个模型。基于该模型，我们将制定业务策略、估算资产组合价值，并最小化期望损失。