การพยากรณ์ความน่าจะเป็นของการผิดนัดชำระหนี้

การสร้างโมเดลความเสี่ยงด้านเครดิตด้วย Python

Michael Crabtree

Data Scientist, Ford Motor Company

สัมประสิทธิ์ของ logistic regression

# 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]])

สูตรคำนวณความน่าจะเป็นของการผิดนัดชำระหนี้ด้วย logistic regression

# Calculating probability of default
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)))

การตีความสัมประสิทธิ์

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

ทุกๆ 1 ปีที่ person_emp_length เพิ่มขึ้น โอกาสผิดนัดชำระหนี้จะลดลง

การตีความสัมประสิทธิ์

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

ทุกๆ 1 ปีที่ person_emp_length เพิ่มขึ้น โอกาสผิดนัดชำระหนี้จะลดลง

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

การใช้คอลัมน์ที่ไม่ใช่ตัวเลข

ตัวเลข: loan_int_rate, person_emp_length, person_income
ไม่ใช่ตัวเลข:
```
cr_loan_clean['loan_intent']
```

EDUCATION            
MEDICAL              
VENTURE              
PERSONAL             
DEBTCONSOLIDATION   
HOMEIMPROVEMENT

จะเกิดข้อผิดพลาดกับโมเดล machine learning ใน Python หากไม่ผ่านการประมวลผลก่อน

One-hot encoding

แปลงข้อความให้เป็นตัวเลข

ตัวอย่างข้อมูล loan intent ในชุดข้อมูล

One-hot encoding

แปลงข้อความให้เป็นตัวเลข
0 หรือ 1 ในคอลัมน์ใหม่ชื่อ column_VALUE

ตัวอย่างการทำ one-hot encoding กับคอลัมน์ loan intent

Get dummies

ใช้ฟังก์ชัน get_dummies() ใน pandas

# 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)

การพยากรณ์ล่วงหน้าด้วยความน่าจะเป็น

ใช้เมธอด .predict_proba() ใน scikit-learn

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

สร้าง array ของความน่าจะเป็นในการผิดนัดชำระหนี้

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

มาฝึกกันเถอะ!

การสร้างโมเดลความเสี่ยงด้านเครดิตด้วย Python