Bilan et remarques

Modélisation du risque de crédit en R

Lore Dirick

Manager of Data Science Curriculum at Flatiron School

Meilleur seuil pour l'exactitude ?

Capture d'écran du 2020-06-22 à 14 h 42 min 06 s.png

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

Meilleur seuil pour l'exactitude ?

Capture d'écran du 2020-06-22 à 14 h 42 min 20 s.png

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

Meilleur seuil pour l'exactitude ?

Capture d'écran du 2020-06-22 à 14 h 42 min 36 s.png

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

Meilleur seuil pour l'exactitude ?

Capture d'écran du 2020-06-22 à 14 h 42 min 50 s.png

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

Meilleur seuil pour l'exactitude ?

Capture d'écran du 2020-06-22 à 14 h 42 min 50 s.png

$\text{Exactitude} = 89.31\%$

$\text{Défauts réels dans l'ensemble de test} = 10.69\%$

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

Et la sensibilité ou la spécificité ?

Capture d'écran du 2020-06-22 à 14 h 43 min 10 s.png

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

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

Et la sensibilité ou la spécificité ?

Capture d'écran du 2020-06-22 à 14 h 43 min 24 s.png

Et la sensibilité ou la spécificité ?

Capture d'écran du 2020-06-22 à 14 h 43 min 39 s.png

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

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

À propos de la régression logistique…

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

Équivaut à :

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

Rappel :

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

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)

$\beta_j < 0$
- La probabilité de défaut diminue quand $x_j$ augmente
$\beta_j > 0$
- La probabilité de défaut augmente quand $x_j$ augmente

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

Passons à la pratique !

Modélisation du risque de crédit en R