Discriminazione del modello e impatto

Credit Risk Modeling in Python

Michael Crabtree

Data Scientist, Ford Motor Company

Matrici di confusione

  • Mostra quante previsioni giuste e sbagliate per ogni loan_status

Matrice di confusione con formule

Credit Risk Modeling in Python

Recall dei default per loan status

  • Il recall dei default (o sensibilità) è la quota di veri default previsti

Esempio di classification report con recall dei default

Formula del recall dei default

Credit Risk Modeling in Python

Impatto del recall sul portafoglio

  • Classification report - Modello di Logistic Regression poco performante

Esempio di classification report con evidenziazioni su loan status

Credit Risk Modeling in Python

Impatto del recall sul portafoglio

  • Classification report - Modello di Logistic Regression poco performante

Esempio di classification report con evidenziazioni su loan status

  • Numero di veri default: 50.000
Importo prestito Default Previsti / Non previsti Perdita stimata sui default
$50 .04 / .96 (50000 x .96) x 50 = $2,400,000
Credit Risk Modeling in Python

Recall, precision e accuracy

  • Difficile massimizzarli tutti: c’è un trade-off

Grafico del recall non-default con recall dei default e accuracy

Credit Risk Modeling in Python

Let's practice!

Credit Risk Modeling in Python

Preparing Video For Download...