AUC’ye göre girdi seçimi

R ile Kredi Riski Modellemesi

Lore Dirick

Manager of Data Science Curriculum at Flatiron School

4 lojistik regresyon modeli için ROC eğrileri

AUC tabanlı budama

1) Tüm değişkenleri içeren bir modelle başlayın (bizde 7) ve AUC’yi hesaplayın

log_model_full <- glm(loan_status ~ loan_amnt + grade + home_ownership + 
                      annual_inc + age + emp_cat + ir_cat, 
                      family = "binomial", data = training_set)

predictions_model_full <- predict(log_model_full, 
                                  newdata = test_set, type ="response")

AUC_model_full <- auc(test_set$loan_status, predictions_model_full)

Eğri altındaki alan: 0.6512

2) Her seferinde bir değişkeni çıkararak 7 yeni model kurun ve test seti ile PD-tahminleri yapın

log_1_remove_amnt <- glm(loan_status ~ grade + home_ownership + annual_inc + age + emp_cat + ir_cat,
                         family = "binomial",
                         data = training_set)

log_1_remove_grade <- glm(loan_status ~ loan_amnt + home_ownership + annual_inc + age + emp_cat + ir_cat,
                          family = "binomial",
                          data = training_set)

log_1_remove_home <- glm(loan_status ~ loan_amnt + grade + annual_inc + age + emp_cat + ir_cat,
                         family = "binomial",
                         data = training_set)

pred_1_remove_amnt <- predict(log_1_remove_amnt, newdata = test_set, type = "response")
pred_1_remove_grade <- predict(log_1_remove_grade, newdata = test_set, type = "response")
pred_1_remove_home <- predict(log_1_remove_home, newdata = test_set, type = "response")
...

3) En iyi AUC’ye ulaştıran modeli koruyun (tam model AUC’si: 0.6512)

auc(test_set$loan_status, pred_1_remove_amnt)

Eğri altındaki alan: 0.6537

auc(test_set$loan_status, pred_1_remove_grade)

Eğri altındaki alan: 0.6438

auc(test_set$loan_status, pred_1_remove_home)

Eğri altındaki alan: 0.6537

4) AUC (anlamlı biçimde) düşene kadar tekrarlayın

Hadi pratik yapalım!

R ile Kredi Riski Modellemesi