数据划分与混淆矩阵

R 中的信用风险建模

Lore Dirick

Manager of Data Science Curriculum at Flatiron School

开始分析

2020-06-15 上午8.43.54 的屏幕截图.png

训练集与测试集

2020-06-15 上午8.43.43 的屏幕截图.png

训练集与测试集

2020-06-15 上午8.43.14 的屏幕截图.png

交叉验证

2020-06-15 上午8.43.31 的屏幕截图.png

评估模型

      test_set$loan_status    model_prediction   
            ...                     ...
 [8066,]      1                       1
 [8067,]      0                       0
 [8068,]      0                       0
 [8069,]      0                       0
 [8070,]      0                       0
 [8071,]      0                       1
 [8072,]      1                       0
 [8073,]      1                       1
 [8074,]      0                       0
 [8075,]      0                       0
 [8076,]      0                       0
 [8077,]      1                       1
 [8078,]      0                       0
        ...                        ...

评估模型

      test_set$loan_status    model_prediction   
            ...                     ...
[8066,]       1                       1
[8067,]       0                       0
 [8068,]      0                       0
 [8069,]      0                       0
 [8070,]      0                       0
 [8071,]      0                       1
 [8072,]      1                       0
 [8073,]      1                       1
 [8074,]      0                       0
 [8075,]      0                       0
 [8076,]      0                       0
 [8077,]      1                       1
 [8078,]      0                       0
 [8079,]      0                       1
        ...                        ...

实际贷款状态 vs. 模型预测

	未违约 (0)	违约 (1)
未违约 (0)	8	2
违约 (1)	1	3

评估模型

      test_set$loan_status    model_prediction   
            ...                     ...
[8066,]       1                       1
[8067,]       0                       0
 [8068,]      0                       0
 [8069,]      0                       0
 [8070,]      0                       0
 [8071,]      0                       1
 [8072,]      1                       0
 [8073,]      1                       1
 [8074,]      0                       0
 [8075,]      0                       0
 [8076,]      0                       0
 [8077,]      1                       1
 [8078,]      0                       0
 [8079,]      0                       1
        ...                        ...

实际贷款状态 vs. 模型预测

	未违约 (0)	违约 (1)
未违约 (0)	TN	FP
违约 (1)	FN	TP

一些指标…

准确率 $$\frac{(8+3)}{14} = 78.57\%$$
灵敏度 $$\frac{3}{(1+3)} = 75\%$$
特异度 $$\frac{8}{(8+2)} = 80\%$$

实际贷款状态 vs. 模型预测

	未违约 (0)	违约 (1)
未违约 (0)	8	2
违约 (1)	1	3

让我们练习吧！

R 中的信用风险建模