क्रेडिट स्वीकृति दरें

Python में क्रेडिट रिस्क मॉडलिंग

Michael Crabtree

Data Scientist, Ford Motor Company

थ्रेशोल्ड और लोन स्टेटस

पहले हमने prob_default मानों की रेंज के लिए एक थ्रेशोल्ड सेट किया था
- इससे लोन का प्रेडिक्टेड loan_status बदला गया था

preds_df['loan_status'] = preds_df['prob_default'].apply(lambda x: 1 if x > 0.4 else 0)

Loan	prob_default	threshold	loan_status
1	0.25	0.4	0
2	0.42	0.4	1
3	0.75	0.4	1

बेहतर थ्रेशोल्ड सेट करने के लिए मॉडल प्रेडिक्शंस का उपयोग करें
- इन्हें नए लोन को अप्रूव या रिजेक्ट करने में भी उपयोग किया जा सकता है
सभी नए लोन के लिए, हम संभावित डिफॉल्ट्स को रिजेक्ट करना चाहते हैं
- नए लोन के उदाहरण के रूप में टेस्ट डेटा लें
एक्सेप्टेंस रेट: नए लोन का वह प्रतिशत जो पोर्टफोलियो में डिफॉल्ट्स कम रखने के लिए स्वीकार किए जाते हैं
- एक्सेप्ट हुए लेकिन डिफॉल्ट निकले लोन का प्रभाव false negatives जैसा होता है

प्रेडिक्टेड प्रॉबेबिलिटीज के वितरण का हिस्टोग्राम

import numpy as np
# Compute the threshold for 85% acceptance rate
threshold = np.quantile(prob_default, 0.85)

0.804

Loan	`prob_default`	Threshold	Predicted `loan_status`	Accept or Reject
1	0.65	0.804	0	Accept
2	0.85	0.804	1	Reject

# Compute the quantile on the probabilities of default
preds_df['loan_status'] = preds_df['prob_default'].apply(lambda x: 1 if x > 0.804 else 0)

कैल्क्युलेटेड थ्रेशोल्ड के बाद भी कुछ एक्सेप्टेड लोन डिफॉल्ट होंगे
ये वे लोन हैं जिनके prob_default उन मानों के आस-पास हैं जहाँ हमारा मॉडल अच्छी तरह calibrated नहीं है

खराब रेट हाईलाइट के साथ स्वीकार लोन का बार

खराब रेट का सूत्र

#Calculate the bad rate
np.sum(accepted_loans['true_loan_status']) / accepted_loans['true_loan_status'].count()

Python में क्रेडिट रिस्क मॉडलिंग