Ringkasan dan catatan

Pemodelan Risiko Kredit di R

Lore Dirick

Manager of Data Science Curriculum at Flatiron School

Cut-off terbaik untuk akurasi?

Tangkapan Layar 2020-06-22 pukul 14.42.06.png

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

Cut-off terbaik untuk akurasi?

Tangkapan Layar 2020-06-22 pukul 14.42.20.png

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

Cut-off terbaik untuk akurasi?

Tangkapan Layar 2020-06-22 pukul 14.42.36.png

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

Cut-off terbaik untuk akurasi?

Tangkapan Layar 2020-06-22 pukul 14.42.50.png

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

Cut-off terbaik untuk akurasi?

Tangkapan Layar 2020-06-22 pukul 14.42.50.png

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

$\text{Default aktual di test set} = 10{,}69\%$

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

Bagaimana dengan sensitivitas atau spesifisitas?

Tangkapan Layar 2020-06-22 pukul 14.43.10.png

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

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

Bagaimana dengan sensitivitas atau spesifisitas?

Tangkapan Layar 2020-06-22 pukul 14.43.24.png

Bagaimana dengan sensitivitas atau spesifisitas?

Tangkapan Layar 2020-06-22 pukul 14.43.39.png

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

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

Tentang regresi logistik…

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

Sama dengan:

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

Ingat:

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

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)

$\beta_j < 0$
- Probabilitas default turun saat $x_j$ naik
$\beta_j > 0$
- Probabilitas default naik saat $x_j$ naik

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

Ayo berlatih!

Pemodelan Risiko Kredit di R