Diskriminace modelu a dopad
Credit Risk Modeling in Python
Michael Crabtree
Data Scientist, Ford Motor Company
Matice záměn
- Zobrazuje počet správných a nesprávných předpovědí pro každý
loan_status
Recall selhání pro stav úvěru
- Recall pro selhání (nebo citlivost) je podíl správně předpovězených skutečných selhání
Dopad recallu na portfolio
- Klasifikační report – podvýkonný model logistické regrese
Dopad recallu na portfolio
- Klasifikační report – podvýkonný model logistické regrese
- Počet skutečných selhání: 50 000
| Výše úvěru | Předpovězená / nepředpovězená selhání | Odhadovaná ztráta ze selhání |
|---|---|---|
| $50 | .04 / .96 | (50000 x .96) x 50 = $2,400,000 |
Recall, přesnost a accuracy
- Maximalizovat všechny najednou je obtížné kvůli vzájemným kompromisům
