Discrimination et impact du modèle

Modélisation du risque de crédit en Python

Michael Crabtree

Data Scientist, Ford Motor Company

Matrices de confusion

  • Affiche le nombre de prédictions correctes et incorrectes pour chaque loan_status

Matrice de confusion avec formules

Modélisation du risque de crédit en Python

Rappel défaut pour le statut de prêt

  • Le rappel défaut (ou sensibilité) est la part de défauts réels correctement prédits

Exemple de rapport de classification avec rappel défaut

Formule du rappel défaut

Modélisation du risque de crédit en Python

Impact du rappel sur le portefeuille

  • Rapport de classification - Régression logistique sous-performante

Exemple de rapport de classification avec surlignage du statut de prêt

Modélisation du risque de crédit en Python

Impact du rappel sur le portefeuille

  • Rapport de classification - Régression logistique sous-performante

Exemple de rapport de classification avec surlignage du statut de prêt

  • Nombre de défauts réels : 50 000
Montant du prêt Défauts prédits / non prédits Perte estimée sur défauts
50 $ .04 / .96 (50000 x .96) x 50 = 2 400 000 $
Modélisation du risque de crédit en Python

Rappel, précision et exactitude

  • Difficile de toutes les maximiser en raison des compromis

Graphique du rappel non-défaut avec rappel défaut et exactitude

Modélisation du risque de crédit en Python

Passons à la pratique !

Modélisation du risque de crédit en Python

Preparing Video For Download...