Tổng kết và lưu ý

Mô hình hóa rủi ro tín dụng bằng R

Lore Dirick

Manager of Data Science Curriculum at Flatiron School

Ngưỡng tốt nhất cho độ chính xác?

$$

Ảnh chụp màn hình 2020-06-22 lúc 2.42.06 PM.png

$$

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

Mô hình hóa rủi ro tín dụng bằng R

Ngưỡng tốt nhất cho độ chính xác?

$$

Ảnh chụp màn hình 2020-06-22 lúc 2.42.20 PM.png

$$

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

Mô hình hóa rủi ro tín dụng bằng R

Ngưỡng tốt nhất cho độ chính xác?

$$

Ảnh chụp màn hình 2020-06-22 lúc 2.42.36 PM.png

$$

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

Mô hình hóa rủi ro tín dụng bằng R

Ngưỡng tốt nhất cho độ chính xác?

$$

Ảnh chụp màn hình 2020-06-22 lúc 2.42.50 PM.png

$$

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

Mô hình hóa rủi ro tín dụng bằng R

Ngưỡng tốt nhất cho độ chính xác?

$$

Ảnh chụp màn hình 2020-06-22 lúc 2.42.50 PM.png

$$

$\text{Accuracy} = 89.31\%$

$\text{Vỡ nợ thực tế trong tập kiểm tra} = 10.69\%$

$$ = (100 - 89.31)\%$$

Mô hình hóa rủi ro tín dụng bằng R

Còn độ nhạy hoặc độ đặc hiệu?

$$

Ảnh chụp màn hình 2020-06-22 lúc 2.43.10 PM.png

$$

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

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

Mô hình hóa rủi ro tín dụng bằng R

Còn độ nhạy hoặc độ đặc hiệu?

$$

Ảnh chụp màn hình 2020-06-22 lúc 2.43.24 PM.png

Mô hình hóa rủi ro tín dụng bằng R

Còn độ nhạy hoặc độ đặc hiệu?

$$

Ảnh chụp màn hình 2020-06-22 lúc 2.43.39 PM.png

$$

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

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

Mô hình hóa rủi ro tín dụng bằng R

Về hồi quy logistic…

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

Tương đương với:

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

Nhắc lại:

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

Mô hình hóa rủi ro tín dụng bằng R
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)
  • $\beta_j < 0$
    • Xác suất vỡ nợ giảm khi $x_j$ tăng
  • $\beta_j > 0$
    • Xác suất vỡ nợ tăng khi $x_j$ tăng

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

Mô hình hóa rủi ro tín dụng bằng R

Ayo berlatih!

Mô hình hóa rủi ro tín dụng bằng R

Preparing Video For Download...