Дискримінація моделі та вплив
Моделювання кредитного ризику в Python
Michael Crabtree
Data Scientist, Ford Motor Company
Матриці помилок
- Показує кількість правильних і помилкових передбачень для кожного
loan_status
Recall дефолту для статусу позики
- Recall дефолту (чутливість) — частка правильно передбачених справжніх дефолтів
Вплив recall на портфель
- Звіт класифікації — модель Logistic Regression працює гірше очікуваного
Вплив recall на портфель
- Звіт класифікації — модель Logistic Regression працює гірше очікуваного
- Кількість справжніх дефолтів: 50 000
| Сума позики | Дефолти: передбачені / не передбачені | Оціночні втрати через дефолти |
|---|---|---|
| $50 | .04 / .96 | (50000 x .96) x 50 = $2,400,000 |
Recall, precision і accuracy
- Важко максимізувати всі показники, бо між ними є компроміс
