Discriminação do modelo e impacto

Modelagem de Risco de Crédito em Python

Michael Crabtree

Data Scientist, Ford Motor Company

Matrizes de confusão

  • Mostra o número de acertos e erros para cada loan_status

Matriz de confusão com fórmulas

Modelagem de Risco de Crédito em Python

Recall de default para loan status

  • Recall de default (sensibilidade) é a proporção de defaults reais previstos

Exemplo de classification report com recall de default

Fórmula do recall de default

Modelagem de Risco de Crédito em Python

Impacto do recall no portfólio

  • Classification report - modelo de Regressão Logística com baixo desempenho

Exemplo de classification report com destaques para loan status

Modelagem de Risco de Crédito em Python

Impacto do recall no portfólio

  • Classification report - modelo de Regressão Logística com baixo desempenho

Exemplo de classification report com destaques para loan status

  • Número de defaults reais: 50.000
Valor do empréstimo Defaults previstos / não previstos Perda estimada nos defaults
$50 .04 / .96 (50000 x .96) x 50 = $2.400.000
Modelagem de Risco de Crédito em Python

Recall, precisão e acurácia

  • Difícil maximizar todos, pois há trade-off

Gráfico de recall de não-default com recall de default e acurácia

Modelagem de Risco de Crédito em Python

Vamos praticar!

Modelagem de Risco de Crédito em Python

Preparing Video For Download...