Modelagem de risco de crédito em Python
"Aprenda a preparar dados de solicitação de crédito, aplicar machine learning e regras para reduzir riscos."
Comece O Curso Gratuitamente4 horas15 vídeos57 exercícios20.533 aprendizesDeclaração de Realização
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.Treinar 2 ou mais pessoas?
Tentar DataCamp for BusinessAmado por alunos de milhares de empresas
Descrição do Curso
Se você já solicitou um cartão de crédito ou empréstimo, sabe que as empresas financeiras processam suas informações antes de tomar uma decisão. Isso ocorre porque a concessão de um empréstimo a você pode ter um sério impacto financeiro nos negócios da empresa. Mas como eles tomam uma decisão? Neste curso, você aprenderá a preparar dados de solicitação de crédito. Depois disso, você aplicará o aprendizado de máquina e as regras de negócios para reduzir os riscos e garantir a lucratividade. Você usará dois conjuntos de dados que emulam aplicativos de crédito reais e se concentram no valor comercial. Junte-se a mim e aprenda o valor esperado da modelagem de risco de crédito!
Treinar 2 ou mais pessoas?
Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.Nas seguintes faixas
Finanças Aplicadas em Python
Ir para a trilha- 1
Exploração e preparação de dados de empréstimo
GratuitoNeste primeiro capítulo, discutiremos o conceito de risco de crédito e definiremos como ele é calculado. Usando tabelas cruzadas e gráficos, exploraremos um conjunto de dados do mundo real. Antes de aplicar o aprendizado de máquina, processaremos esses dados encontrando e resolvendo problemas.
Entendendo o risco de crédito50 xpExplore os dados de crédito100 xpTabelas cruzadas e dinâmicas100 xpValores atípicos em dados de crédito50 xpEncontrar valores discrepantes com tabelas cruzadas100 xpVisualização de exceções de crédito100 xpRisco com dados ausentes nos dados do empréstimo50 xpSubstituição de dados de crédito ausentes100 xpRemoção de dados ausentes100 xpIntuição de dados ausentes50 xp - 2
Regressão logística para padrões
Com os dados do empréstimo totalmente preparados, discutiremos o modelo de regressão logística, que é um padrão na modelagem de risco. Entenderemos os componentes desse modelo e como avaliar seu desempenho. Depois de criarmos as previsões, podemos explorar o impacto financeiro da utilização desse modelo.
Regressão logística para probabilidade de inadimplência50 xpNoções básicas de regressão logística100 xpRegressão logística multivariada100 xpCriação de conjuntos de treinamento e teste100 xpPrevisão da probabilidade de inadimplência50 xpAlteração de coeficientes100 xpDados de crédito de codificação única100 xpPrevisão da probabilidade de inadimplência100 xpDesempenho do modelo de crédito50 xpRelatório de classificação padrão100 xpSeleção de métricas de relatório100 xpModelos de crédito com pontuação visual100 xpModelo de discriminação e impacto50 xpLimiares e matrizes de confusão100 xpComo os limites afetam o desempenho100 xpSeleção de limite100 xp - 3
Árvores com reforço de gradiente usando XGBost
As árvores de decisão são outro modelo padrão de risco de crédito. Iremos além das árvores de decisão usando o moderno pacote XGBoost em Python para criar árvores com aumento de gradiente. Depois de desenvolver modelos sofisticados, testaremos seu desempenho e discutiremos a seleção de colunas em dados não balanceados.
Árvores com aumento de gradiente com XGBost50 xpÁrvores para padrões100 xpA Gradient impulsionou o desempenho do portfólio100 xpAvaliação de árvores impulsionadas por gradiente100 xpSeleção de colunas para risco de crédito50 xpImportância da coluna e previsão de inadimplência100 xpVisualização da importância da coluna100 xpSeleção de colunas e desempenho do modelo100 xpValidação cruzada para modelos de crédito50 xpValidação cruzada de modelos de crédito100 xpLimites dos testes de validação cruzada100 xpPontuação de validação cruzada100 xpDesequilíbrio de classe nos dados de empréstimo50 xpSubamostragem de dados de treinamento100 xpDesempenho da árvore sem amostragem100 xpIntuição de subamostragem50 xp - 4
Avaliação e implementação do modelo
Depois de desenvolver e testar dois modelos avançados de aprendizado de máquina, usamos as principais métricas de desempenho para compará-los. Usando técnicas avançadas de seleção de modelos especificamente para modelagem financeira, selecionaremos um modelo. Com esse modelo, você poderá: desenvolver uma estratégia de negócios, estimar o valor do portfólio e minimizar a perda esperada.
Avaliação e implementação do modelo50 xpComparação de relatórios de modelos100 xpComparando com ROCs100 xpCurvas de calibração100 xpTaxas de aceitação de crédito50 xpTaxas de aceitação100 xpVisualização de quantis de aceitação100 xpTaxas ruins100 xpImpacto na taxa de aceitação100 xpEstratégia de crédito e perda mínima esperada50 xpComo criar a tabela de estratégias100 xpVisualizando a estratégia100 xpPerfil de valor estimado100 xpPerda total esperada100 xpConclusão do curso50 xp
Treinar 2 ou mais pessoas?
Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.Nas seguintes faixas
Finanças Aplicadas em Python
Ir para a trilhaconjuntos de dados
Raw credit dataClean credit data (outliers and missing data removed)Credit data (ready for modeling)colaboradores
pré-requisitos
Intermediate Python for FinanceMichael Crabtree
Ver MaisData Scientist
O que os outros alunos têm a dizer?
Junte-se a mais de 15 milhões de alunos e comece Modelagem de risco de crédito em Python hoje mesmo!
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.