Temerrüt olasılığını tahmin etme

Python ile Kredi Riski Modellemesi

Michael Crabtree

Data Scientist, Ford Motor Company

Lojistik regresyon katsayıları

# Model kesişimi (Intercept)
array([-3.30582292e-10])
# ['loan_int_rate','person_emp_length','person_income'] için katsayılar
array([[ 1.28517496e-09, -2.27622202e-09, -2.17211991e-05]])

Lojistik regresyonla temerrüt olasılığı formülü

# Temerrüt olasılığını hesaplama
int_coef_sum = -3.3e-10 +
    (1.29e-09 * loan_int_rate) + (-2.28e-09 * person_emp_length) + (-2.17e-05 * person_income)
prob_default = 1 / (1 + np.exp(-int_coef_sum))
prob_nondefault = 1 - (1 / (1 + np.exp(-int_coef_sum)))

Katsayıların yorumlanması

# Kesişim (Intercept)
intercept = -1.02
# Çalışma süresi (employment length) katsayısı
person_emp_length_coef = -0.056

person_emp_length her 1 yıl arttığında, kişinin temerrüt etme olasılığı azalır

Katsayıların yorumlanması

# Kesişim (Intercept)
intercept = -1.02
# Çalışma süresi (employment length) katsayısı
person_emp_length_coef = -0.056

person_emp_length her 1 yıl arttığında, kişinin temerrüt olasılığı azalır

intercept	person_emp_length	değer * katsayı	temerrüt olasılığı
`-1.02`	10	(10 * `-0.06`)	.17
`-1.02`	11	(11 * `-0.06`)	.16
`-1.02`	12	(12 * `-0.06`)	.15

Sayısal olmayan sütunların kullanımı

Sayısal: loan_int_rate, person_emp_length, person_income
Sayısal olmayan:
```
cr_loan_clean['loan_intent']
```

EDUCATION            
MEDICAL              
VENTURE              
PERSONAL             
DEBTCONSOLIDATION   
HOMEIMPROVEMENT

Python’daki makine öğrenimi modellerinde işlenmezse hataya neden olur

One-hot kodlama

Bir dizeyi sayıyla temsil edin

Veride kredi amacına örnek

One-hot kodlama

Bir dizeyi sayıyla temsil edin
Yeni column_VALUE sütununda 0 veya 1

Kredi amacı sütununun one-hot kodlanmasına örnek

Get dummies

pandas içindeki get_dummies() fonksiyonunu kullanın

# Sayısal sütunları ayırın
cred_num = cr_loan.select_dtypes(exclude=['object'])
# Sayısal olmayan sütunları ayırın
cred_cat = cr_loan.select_dtypes(include=['object'])
# Yalnızca sayısal olmayan sütunları one-hot kodlayın
cred_cat_onehot = pd.get_dummies(cred_cat)
# Sayısal sütunları one-hot sütunlarla birleştirin
cr_loan = pd.concat([cred_num, cred_cat_onehot], axis=1)

Geleceği tahmin etmek, muhtemelen

scikit-learn içinde .predict_proba() yöntemini kullanın

# Modeli eğitin
clf_logistic.fit(X_train, np.ravel(y_train))
# Modelle tahmin yapın
clf_logistic.predict_proba(X_test)

Temerrüt olasılıklarının dizisini üretir

# Olasılıklar: [[temerrütsüz, temerrüt]]
array([[0.55, 0.45]])

Haydi pratik yapalım!

Python ile Kredi Riski Modellemesi