Afronding en opmerkingen

Kredietrisicomodellering in R

Lore Dirick

Manager of Data Science Curriculum at Flatiron School

Beste drempel voor accuracy?

Schermafbeelding 22-06-2020 om 14.42.06.png

$\text{Accuracy} = \frac{TP + TN}{TP + FP + TN + FN}$

Beste drempel voor accuracy?

Schermafbeelding 22-06-2020 om 14.42.20.png

$\text{Accuracy} = \frac{TP + TN}{TP + FP + TN + FN}$

Beste drempel voor accuracy?

Schermafbeelding 22-06-2020 om 14.42.36.png

$\text{Accuracy} = \frac{TP + TN}{TP + FP + TN + FN}$

Beste drempel voor accuracy?

Schermafbeelding 22-06-2020 om 14.42.50.png

$\text{Accuracy} = \frac{TP + TN}{TP + FP + TN + FN}$

Beste drempel voor accuracy?

Schermafbeelding 22-06-2020 om 14.42.50.png

$\text{Accuracy} = 89,31\%$

$\text{Werkelijke defaults in testset} = 10,69\%$

$$ = (100 - 89,31)\%$$

Hoe zit het met sensitiviteit of specificiteit?

Schermafbeelding 22-06-2020 om 14.43.10.png

$\text{Sensitiviteit} = 1037 / (1037 + 0) = 100\%$

$\text{Specificiteit} = 0 / (0 + 864) = 0\%$

Hoe zit het met sensitiviteit of specificiteit?

Schermafbeelding 22-06-2020 om 14.43.24.png

Hoe zit het met sensitiviteit of specificiteit?

Schermafbeelding 22-06-2020 om 14.43.39.png

$\text{Sensitiviteit} = 0 / (0 + 1037) = 0\%$

$\text{Specificiteit} = 8640 / (8640 + 0) = 100\%$

Over logistische regressie…

log_model_full <- glm(loan_status ~ ., family = "binomial", data = training_set)

Is hetzelfde als:

log_model_full <- glm(loan_status ~ ., family = binomial(link = logit), data = training_set)

Herinner:

$$P({\text{loan status}}=1|x_1,...,x_m) = \frac{1}{1+e^{-(\beta_0 + \beta_1 x_1 + ... + \beta_m x_m)}}$$

log_model_full <- glm(loan_status ~ ., 
                      family = binomial(link = probit), 
                      data = training_set)

log_model_full <- glm(loan_status ~ ., 
                      family = binomial(link = cloglog), 
                      data = training_set)

$\beta_j < 0$
- De kans op default daalt als $x_j$ toeneemt
$\beta_j > 0$
- De kans op default stijgt als $x_j$ toeneemt

$$P({\text{loan status}}=1|x_1,...,x_m) = \frac{1}{1+e^{-(\beta_0 + \beta_1 x_1 + ... + \beta_m x_m)}}$$

Laten we oefenen!

Kredietrisicomodellering in R