डिफॉल्ट की प्रायिकता का पूर्वानुमान

Python में क्रेडिट रिस्क मॉडलिंग

Michael Crabtree

Data Scientist, Ford Motor Company

लॉजिस्टिक रिग्रेशन कोएफिशिएंट्स

# Model Intercept
array([-3.30582292e-10])
# Coefficients for ['loan_int_rate','person_emp_length','person_income']
array([[ 1.28517496e-09, -2.27622202e-09, -2.17211991e-05]])

लॉजिस्टिक रिग्रेशन से डिफॉल्ट की प्रायिकता का सूत्र

# डिफॉल्ट की प्रायिकता निकालना
int_coef_sum = -3.3e-10 +
    (1.29e-09 * loan_int_rate) + (-2.28e-09 * person_emp_length) + (-2.17e-05 * person_income)
prob_default = 1 / (1 + np.exp(-int_coef_sum))
prob_nondefault = 1 - (1 / (1 + np.exp(-int_coef_sum)))

कोएफिशिएंट्स की व्याख्या

# Intercept
intercept = -1.02
# Coefficient for employment length
person_emp_length_coef = -0.056

person_emp_length में हर 1 वर्ष की बढ़त पर डिफॉल्ट की संभावना घटती है

कोएफिशिएंट्स की व्याख्या

# Intercept
intercept = -1.02
# Coefficient for employment length
person_emp_length_coef = -0.056

person_emp_length में हर 1 वर्ष की बढ़त पर डिफॉल्ट की संभावना घटती है

intercept	person_emp_length	value * coef	probability of default
`-1.02`	10	(10 * `-0.06`)	.17
`-1.02`	11	(11 * `-0.06`)	.16
`-1.02`	12	(12 * `-0.06`)	.15

गैर-संख्यात्मक कॉलम का उपयोग

संख्यात्मक: loan_int_rate, person_emp_length, person_income
गैर-संख्यात्मक:
```
cr_loan_clean['loan_intent']
```

EDUCATION            
MEDICAL              
VENTURE              
PERSONAL             
DEBTCONSOLIDATION   
HOMEIMPROVEMENT

Python में मशीन लर्निंग मॉडल्स के साथ बिना प्रोसेस किए त्रुटियाँ होंगी

वन-हॉट एनकोडिंग

स्ट्रिंग को किसी संख्या से दर्शाएँ

डेटा में लोन इंटेंट का उदाहरण

वन-हॉट एनकोडिंग

स्ट्रिंग को किसी संख्या से दर्शाएँ
नई कॉलम column_VALUE में 0 या 1

लोन इंटेंट कॉलम की वन-हॉट एनकोडिंग का उदाहरण

Get dummies

pandas में get_dummies() का उपयोग करें

# Separate the numeric columns
cred_num = cr_loan.select_dtypes(exclude=['object'])
# Separate non-numeric columns
cred_cat = cr_loan.select_dtypes(include=['object'])
# One-hot encode the non-numeric columns only
cred_cat_onehot = pd.get_dummies(cred_cat)
# Union the numeric columns with the one-hot encoded columns
cr_loan = pd.concat([cred_num, cred_cat_onehot], axis=1)

भविष्य का अनुमान, प्रायिक रूप से

scikit-learn में .predict_proba() मेथड का उपयोग करें

# Train the model
clf_logistic.fit(X_train, np.ravel(y_train))
# Predict using the model
clf_logistic.predict_proba(X_test)

डिफॉल्ट की प्रायिकताएँ वाला ऐरे बनता है

# Probabilities: [[non-default, default]]
array([[0.55, 0.45]])

अभ्यास करते हैं!

Python में क्रेडिट रिस्क मॉडलिंग