Model ayrımı ve etkisi

Python ile Kredi Riski Modellemesi

Michael Crabtree

Data Scientist, Ford Motor Company

Karmaşıklık matrisleri

  • Her loan_status için doğru ve yanlış tahmin sayılarını gösterir

Formüllü karmaşıklık matrisi

Python ile Kredi Riski Modellemesi

Kredi durumu için temerrüt yakalaması

  • Temerrüt yakalaması (veya duyarlılık), gerçek temerrütlerin doğru tahmin oranıdır

Temerrüt yakalaması içeren örnek sınıflandırma raporu

Temerrüt yakalaması formülü

Python ile Kredi Riski Modellemesi

Yakalamanın portföy etkisi

  • Sınıflandırma raporu - Zayıf performanslı Lojistik Regresyon modeli

Kredi durumu vurguları olan örnek sınıflandırma raporu

Python ile Kredi Riski Modellemesi

Yakalamanın portföy etkisi

  • Sınıflandırma raporu - Zayıf performanslı Lojistik Regresyon modeli

Kredi durumu vurguları olan örnek sınıflandırma raporu

  • Gerçek temerrüt sayısı: 50.000
Kredi Tutarı Tahmin Edilen / Edilmeyen Temerrütler Temerrütlerde Tahmini Kayıp
$50 .04 / .96 (50000 x .96) x 50 = $2.400.000
Python ile Kredi Riski Modellemesi

Yakalama, kesinlik ve doğruluk

  • Hepsini en üst düzeye çıkarmak zordur; aralarında ödünleşim vardır

Temerrüt olmayan yakalama ile temerrüt yakalaması ve doğruluk grafiği

Python ile Kredi Riski Modellemesi

Hadi pratik yapalım!

Python ile Kredi Riski Modellemesi

Preparing Video For Download...