Odlehlé hodnoty v úvěrových datech

Credit Risk Modeling in Python

Michael Crabtree

Data Scientist, Ford Motor Company

Zpracování dat

  • Připravená data umožňují rychlejší trénování modelů
  • Často pozitivně ovlivňují výkon modelu

Graf ROC tří různých modelů

Credit Risk Modeling in Python

Odlehlé hodnoty a výkon

Možné příčiny odlehlých hodnot:

  • Problémy se systémy zadávání dat (lidská chyba)
  • Problémy s nástroji pro příjem dat
Credit Risk Modeling in Python

Odlehlé hodnoty a výkon

Možné příčiny odlehlých hodnot:

  • Problémy se systémy zadávání dat (lidská chyba)
  • Problémy s nástroji pro příjem dat
Příznak Koeficient s odlehlými hodnotami Koeficient bez odlehlých hodnot
Úroková sazba 0.2 0.01
Délka zaměstnání 0.5 0.6
Příjem 0.6 0.75
Credit Risk Modeling in Python

Detekce odlehlých hodnot pomocí křížových tabulek

  • Použijte křížové tabulky s agregačními funkcemi
pd.crosstab(cr_loan['person_home_ownership'], cr_loan['loan_status'],
            values=cr_loan['loan_int_rate'], aggfunc='mean').round(2)

Credit Risk Modeling in Python

Vizuální detekce odlehlých hodnot

Vizuální detekce odlehlých hodnot

  • Histogramy
  • Bodové grafy

Bodový graf délky zaměstnání a úrokové sazby úvěru

Credit Risk Modeling in Python

Odstranění odlehlých hodnot

  • Použijte metodu .drop() v Pandas
indices = cr_loan[cr_loan['person_emp_length'] >= 60].index
cr_loan.drop(indices, inplace=True)

Bodový graf úrokové sazby a délky zaměstnání bez odlehlých hodnot

Credit Risk Modeling in Python

Pojďme cvičit!

Credit Risk Modeling in Python

Preparing Video For Download...