Discriminarea și impactul modelului

Modelarea Riscului de Credit în Python

Michael Crabtree

Data Scientist, Ford Motor Company

Matrici de confuzie

  • Arată numărul de predicții corecte și incorecte pentru fiecare loan_status

Matrice de confuzie cu formule

Modelarea Riscului de Credit în Python

Recall pentru statutul de default al creditului

  • Recall-ul pentru default (sau sensibilitatea) reprezintă proporția de defaulturi reale prezise

Exemplu de raport de clasificare cu recall pentru default

Formula pentru recall-ul de default

Modelarea Riscului de Credit în Python

Impactul recall-ului asupra portofoliului

  • Raport de clasificare - Model de regresie logistică cu performanță slabă

Exemplu de raport de clasificare cu evidențieri ale statusului creditului

Modelarea Riscului de Credit în Python

Impactul recall-ului asupra portofoliului

  • Raport de clasificare - Model de regresie logistică cu performanță slabă

Exemplu de raport de clasificare cu evidențieri ale statusului creditului

  • Număr de defaulturi reale: 50.000
Valoare credit Defaulturi prezise / Neprezise Pierdere estimată pe defaulturi
$50 .04 / .96 (50000 x .96) x 50 = $2.400.000
Modelarea Riscului de Credit în Python

Recall, precizie și acuratețe

  • Dificil de maximizat simultan din cauza compromisurilor

Grafic al recall-ului pentru non-default față de recall-ul pentru default și acuratețe

Modelarea Riscului de Credit în Python

Să exersăm!

Modelarea Riscului de Credit în Python

Preparing Video For Download...