Modelltrennung und -auswirkung

Kreditrisikomodellierung in Python

Michael Crabtree

Data Scientist, Ford Motor Company

Konfusionsmatrizen

  • Zeigt die Anzahl korrekter und falscher Vorhersagen je loan_status

Konfusionsmatrix mit Formeln

Kreditrisikomodellierung in Python

Default-Recall für Loan Status

  • Default-Recall (Sensitivität) ist der Anteil korrekt vorhergesagter Defaults

Beispiel-Klassifikationsbericht mit Default-Recall

Formel für Default-Recall

Kreditrisikomodellierung in Python

Portfolioauswirkung des Recalls

  • Klassifikationsbericht – schwach performendes Logistic-Regression-Modell

Beispiel-Klassifikationsbericht mit Loan-Status-Hervorhebungen

Kreditrisikomodellierung in Python

Portfolioauswirkung des Recalls

  • Klassifikationsbericht – schwach performendes Logistic-Regression-Modell

Beispiel-Klassifikationsbericht mit Loan-Status-Hervorhebungen

  • Anzahl echter Defaults: 50.000
Loan Amount Defaults vorhergesagt / nicht vorhergesagt Geschätzter Verlust bei Defaults
$50 .04 / .96 (50000 x .96) x 50 = $2,400,000
Kreditrisikomodellierung in Python

Recall, Precision und Accuracy

  • Schwer, alle zu maximieren, da es Zielkonflikte gibt

Grafik: Non-Default-Recall vs. Default-Recall und Accuracy

Kreditrisikomodellierung in Python

Lass uns üben!

Kreditrisikomodellierung in Python

Preparing Video For Download...