Ngoại lệ trong dữ liệu tín dụng

Mô hình hóa Rủi ro Tín dụng bằng Python

Michael Crabtree

Data Scientist, Ford Motor Company

Xử lý dữ liệu

  • Dữ liệu đã xử lý giúp mô hình huấn luyện nhanh hơn
  • Thường cải thiện hiệu năng mô hình

Biểu đồ ROC của ba mô hình khác nhau

Mô hình hóa Rủi ro Tín dụng bằng Python

Ngoại lệ và hiệu năng

Nguyên nhân có thể gây ngoại lệ:

  • Lỗi hệ thống nhập liệu (lỗi con người)
  • Lỗi công cụ thu nạp dữ liệu
Mô hình hóa Rủi ro Tín dụng bằng Python

Ngoại lệ và hiệu năng

Nguyên nhân có thể gây ngoại lệ:

  • Lỗi hệ thống nhập liệu (lỗi con người)
  • Lỗi công cụ thu nạp dữ liệu
Thuộc tính Hệ số có ngoại lệ Hệ số không có ngoại lệ
Lãi suất 0.2 0.01
Số năm làm việc 0.5 0.6
Thu nhập 0.6 0.75
Mô hình hóa Rủi ro Tín dụng bằng Python

Phát hiện ngoại lệ bằng bảng chéo

  • Dùng bảng chéo với hàm tổng hợp
pd.crosstab(cr_loan['person_home_ownership'], cr_loan['loan_status'],
            values=cr_loan['loan_int_rate'], aggfunc='mean').round(2)

Mô hình hóa Rủi ro Tín dụng bằng Python

Phát hiện ngoại lệ bằng trực quan

Phát hiện ngoại lệ bằng trực quan

  • Biểu đồ histogram
  • Biểu đồ phân tán

Biểu đồ phân tán giữa số năm làm việc và lãi suất khoản vay

Mô hình hóa Rủi ro Tín dụng bằng Python

Loại bỏ ngoại lệ

  • Dùng phương thức .drop() trong Pandas
indices = cr_loan[cr_loan['person_emp_length'] >= 60].index
cr_loan.drop(indices, inplace=True)

Biểu đồ phân tán lãi suất và số năm làm việc sau khi loại ngoại lệ

Mô hình hóa Rủi ro Tín dụng bằng Python

Ayo berlatih!

Mô hình hóa Rủi ro Tín dụng bằng Python

Preparing Video For Download...