부도 확률 예측하기

Python을 활용한 신용 위험 모델링

Michael Crabtree

Data Scientist, Ford Motor Company

로지스틱 회귀 계수

# Model Intercept
array([-3.30582292e-10])
# Coefficients for ['loan_int_rate','person_emp_length','person_income']
array([[ 1.28517496e-09, -2.27622202e-09, -2.17211991e-05]])

로지스틱 회귀를 이용한 부도 확률 공식

# Calculating probability of default
int_coef_sum = -3.3e-10 +
    (1.29e-09 * loan_int_rate) + (-2.28e-09 * person_emp_length) + (-2.17e-05 * person_income)
prob_default = 1 / (1 + np.exp(-int_coef_sum))
prob_nondefault = 1 - (1 / (1 + np.exp(-int_coef_sum)))

계수 해석하기

# Intercept
intercept = -1.02
# Coefficient for employment length
person_emp_length_coef = -0.056

person_emp_length이 1년 증가할 때마다 부도 가능성이 낮아집니다

계수 해석하기

# Intercept
intercept = -1.02
# Coefficient for employment length
person_emp_length_coef = -0.056

person_emp_length이 1년 증가할 때마다 부도 가능성이 낮아집니다

절편	person_emp_length	값 * 계수	부도 확률
`-1.02`	10	(10 * `-0.06`)	.17
`-1.02`	11	(11 * `-0.06`)	.16
`-1.02`	12	(12 * `-0.06`)	.15

비숫자형 열 사용하기

숫자형: loan_int_rate, person_emp_length, person_income
비숫자형:
```
cr_loan_clean['loan_intent']
```

EDUCATION            
MEDICAL              
VENTURE              
PERSONAL             
DEBTCONSOLIDATION   
HOMEIMPROVEMENT

처리하지 않으면 Python의 Machine Learning 모델에서 오류가 발생합니다

원-핫 인코딩

문자열을 숫자로 표현

데이터 내 대출 목적 예시

원-핫 인코딩

문자열을 숫자로 표현
새 열 column_VALUE에 0 또는 1로 표시

대출 목적 열을 원-핫 인코딩한 예시

Get dummies

pandas의 get_dummies() 함수 활용

# Separate the numeric columns
cred_num = cr_loan.select_dtypes(exclude=['object'])
# Separate non-numeric columns
cred_cat = cr_loan.select_dtypes(include=['object'])
# One-hot encode the non-numeric columns only
cred_cat_onehot = pd.get_dummies(cred_cat)
# Union the numeric columns with the one-hot encoded columns
cr_loan = pd.concat([cred_num, cred_cat_onehot], axis=1)

확률로 미래 예측하기

scikit-learn의 .predict_proba() 메서드 사용

# Train the model
clf_logistic.fit(X_train, np.ravel(y_train))
# Predict using the model
clf_logistic.predict_proba(X_test)

부도 확률 배열 생성

# Probabilities: [[non-default, default]]
array([[0.55, 0.45]])

연습해 봅시다!

Python을 활용한 신용 위험 모델링