Podsumowanie i uwagi

Modelowanie ryzyka kredytowego w R

Lore Dirick

Manager of Data Science Curriculum at Flatiron School

Najlepszy próg dla dokładności?

$$

Screen Shot 2020-06-22 at 2.42.06 PM.png

$$

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

Modelowanie ryzyka kredytowego w R

Najlepszy próg dla dokładności?

$$

Screen Shot 2020-06-22 at 2.42.20 PM.png

$$

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

Modelowanie ryzyka kredytowego w R

Najlepszy próg dla dokładności?

$$

Screen Shot 2020-06-22 at 2.42.36 PM.png

$$

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

Modelowanie ryzyka kredytowego w R

Najlepszy próg dla dokładności?

$$

Screen Shot 2020-06-22 at 2.42.50 PM.png

$$

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

Modelowanie ryzyka kredytowego w R

Najlepszy próg dla dokładności?

$$

Screen Shot 2020-06-22 at 2.42.50 PM.png

$$

$\text{Accuracy} = 89.31\%$

$\text{Actual defaults in test set} = 10.69\%$

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

Modelowanie ryzyka kredytowego w R

Co z czułością i swoistością?

$$

Screen Shot 2020-06-22 at 2.43.10 PM.png

$$

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

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

Modelowanie ryzyka kredytowego w R

Co z czułością i swoistością?

$$

Screen Shot 2020-06-22 at 2.43.24 PM.png

Modelowanie ryzyka kredytowego w R

Co z czułością i swoistością?

$$

Screen Shot 2020-06-22 at 2.43.39 PM.png

$$

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

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

Modelowanie ryzyka kredytowego w R

O regresji logistycznej…

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

Jest równoważne:

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

Przypomnienie:

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

Modelowanie ryzyka kredytowego w 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)
  • $\beta_j < 0$
    • Prawdopodobieństwo niewywiązania się ze spłaty maleje wraz ze wzrostem $x_j$
  • $\beta_j > 0$
    • Prawdopodobieństwo niewywiązania się ze spłaty rośnie wraz ze wzrostem $x_j$

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

Modelowanie ryzyka kredytowego w R

Czas na ćwiczenia!

Modelowanie ryzyka kredytowego w R

Preparing Video For Download...