Modelagem de risco de crédito em Python

Neste 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.

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.

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.

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.