마무리와 비고

R로 배우는 신용 위험 모델링

Lore Dirick

Manager of Data Science Curriculum at Flatiron School

정확도를 위한 최적 임곗값?

$$

2020-06-22 오후 2.42.06 스크린샷.png

$$

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

R로 배우는 신용 위험 모델링

정확도를 위한 최적 임곗값?

$$

2020-06-22 오후 2.42.20 스크린샷.png

$$

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

R로 배우는 신용 위험 모델링

정확도를 위한 최적 임곗값?

$$

2020-06-22 오후 2.42.36 스크린샷.png

$$

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

R로 배우는 신용 위험 모델링

정확도를 위한 최적 임곗값?

$$

2020-06-22 오후 2.42.50 스크린샷.png

$$

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

R로 배우는 신용 위험 모델링

정확도를 위한 최적 임곗값?

$$

2020-06-22 오후 2.42.50 스크린샷.png

$$

$\text{정확도} = 89.31\%$

$\text{테스트셋 실제 연체율} = 10.69\%$

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

R로 배우는 신용 위험 모델링

민감도와 특이도는?

$$

2020-06-22 오후 2.43.10 스크린샷.png

$$

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

$\text{특이도} = 0 / (0 + 864) = 0\%$

R로 배우는 신용 위험 모델링

민감도와 특이도는?

$$

2020-06-22 오후 2.43.24 스크린샷.png

R로 배우는 신용 위험 모델링

민감도와 특이도는?

$$

2020-06-22 오후 2.43.39 스크린샷.png

$$

$\text{민감도} = 0 / (0 + 1037) = 0\%$

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

R로 배우는 신용 위험 모델링

로지스틱 회귀에 대하여…

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

다음과 동일함:

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

상기:

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

R로 배우는 신용 위험 모델링
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)
  • $\beta_j < 0$
    • $x_j$가 증가하면 연체 확률이 감소
  • $\beta_j > 0$
    • $x_j$가 증가하면 연체 확률이 증가

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

R로 배우는 신용 위험 모델링

연습해 봅시다!

R로 배우는 신용 위험 모델링

Preparing Video For Download...