Phân biệt mô hình và tác động

Mô hình hóa Rủi ro Tín dụng bằng Python

Michael Crabtree

Data Scientist, Ford Motor Company

Ma trận nhầm lẫn

  • Hiển thị số dự đoán đúng/sai cho từng loan_status

Ma trận nhầm lẫn với công thức

Mô hình hóa Rủi ro Tín dụng bằng Python

Recall vỡ nợ cho trạng thái khoản vay

  • Recall mặc định (độ nhạy) là tỷ lệ khoản vay vỡ nợ thực được dự đoán đúng

Báo cáo phân loại với recall mặc định

Công thức recall mặc định

Mô hình hóa Rủi ro Tín dụng bằng Python

Tác động recall đến danh mục

  • Báo cáo phân loại - Mô hình Hồi quy Logistic hoạt động kém

Báo cáo phân loại mẫu với phần nổi bật trạng thái khoản vay

Mô hình hóa Rủi ro Tín dụng bằng Python

Tác động recall đến danh mục

  • Báo cáo phân loại - Mô hình Hồi quy Logistic hoạt động kém

Báo cáo phân loại mẫu với phần nổi bật trạng thái khoản vay

  • Số khoản vỡ nợ thực: 50.000
Số tiền vay Dự đoán vỡ nợ / Không dự đoán Tổn thất ước tính do vỡ nợ
$50 .04 / .96 (50000 x .96) x 50 = $2,400,000
Mô hình hóa Rủi ro Tín dụng bằng Python

Recall, precision và accuracy

  • Khó tối đa hóa tất cả vì có đánh đổi

Biểu đồ recall không vỡ nợ với recall vỡ nợ và độ chính xác

Mô hình hóa Rủi ro Tín dụng bằng Python

Hãy thực hành!

Mô hình hóa Rủi ro Tín dụng bằng Python

Preparing Video For Download...