ใครช่วยอธิบายรายละเอียดได้:
- การปฏิเสธการอนุมานหมายความว่าอย่างไร
- จะใช้เพื่อเพิ่มความแม่นยำของแบบจำลองของฉันได้อย่างไร
ฉันมีความคิดที่จะปฏิเสธการอนุมานในการสมัครบัตรเครดิต แต่ต้องดิ้นรนกับความคิดที่จะใช้มันเพื่อเพิ่มความแม่นยำของแบบจำลองของฉัน
ใครช่วยอธิบายรายละเอียดได้:
ฉันมีความคิดที่จะปฏิเสธการอนุมานในการสมัครบัตรเครดิต แต่ต้องดิ้นรนกับความคิดที่จะใช้มันเพื่อเพิ่มความแม่นยำของแบบจำลองของฉัน
คำตอบ:
ในการสร้างแบบจำลองเครดิตการปฏิเสธการอนุมานเป็นกระบวนการของการอนุมานประสิทธิภาพของบัญชีเครดิตที่ถูกปฏิเสธในกระบวนการสมัคร
เมื่อสร้างแบบจำลองความเสี่ยงด้านเครดิตของแอปพลิเคชันเราต้องการสร้างแบบจำลองที่มีการบังคับใช้แบบ " ผ่านประตู " เช่นเราป้อนข้อมูลแอปพลิเคชันทั้งหมดลงในแบบจำลองความเสี่ยงด้านเครดิตและแบบจำลองแสดงระดับความเสี่ยง จากค่าเริ่มต้น ปัญหาเมื่อใช้การถดถอยเพื่อสร้างแบบจำลองจากข้อมูลในอดีตคือเรารู้ประสิทธิภาพของบัญชีสำหรับแอปพลิเคชันที่ยอมรับในอดีตเท่านั้น อย่างไรก็ตามเราไม่ทราบถึงประสิทธิภาพของการคัดแยกเพราะหลังจากใช้แล้วเราก็ส่งพวกเขากลับไปที่ประตู สิ่งนี้อาจส่งผลให้มีอคติในการเลือกแบบจำลองของเราเพราะถ้าเราใช้ "ยอมรับ" ที่ผ่านมาในรูปแบบของเราเท่านั้นแบบจำลองอาจทำงานได้ไม่ดีในประชากร "ผ่านประตู"
มีหลายวิธีในการจัดการกับการปฏิเสธการอนุมานซึ่งทั้งหมดเป็นข้อโต้แย้ง ฉันจะพูดถึงสองวิที่นี่
"กำหนดอดีตปฏิเสธว่าไม่ดี" เพียงนำข้อมูลแอปพลิเคชันที่ถูกปฏิเสธทั้งหมดไปใช้และแทนที่จะทิ้งไว้เมื่อสร้างแบบจำลองกำหนดให้พวกเขาทั้งหมดไม่ดี วิธีนี้มีอคติต่อโมเดลในการยอมรับ / ปฏิเสธนโยบายอย่างมาก
"การบรรจุหีบห่อ" นั้นซับซ้อนกว่าเล็กน้อย มันประกอบด้วย
มีวิธีต่าง ๆ ในการกำหนดให้ดีหรือไม่ดีในขั้นตอนที่ 3 และกระบวนการนี้สามารถนำไปใช้ซ้ำได้
ตามที่ระบุไว้ก่อนหน้านี้การใช้การอนุมานแบบปฏิเสธนั้นเป็นการโต้เถียงและเป็นการยากที่จะให้คำตอบที่ตรงไปตรงมาเกี่ยวกับวิธีการใช้เพื่อเพิ่มความแม่นยำของแบบจำลอง ฉันจะพูดถึงคนอื่นในเรื่องนี้
Jonathan Crook และ John Banasik ปฏิเสธการอนุมานจริง ๆ ปรับปรุงประสิทธิภาพของแบบจำลองการให้คะแนนของแอปพลิเคชันหรือไม่
อย่างแรกแม้ในกรณีที่สัดส่วนของผู้สมัครถูกปฏิเสธจำนวนมากขอบเขตของการปรับปรุงพารามิเตอร์ของแบบจำลองที่ได้รับการยอมรับนั้นจะปรากฏเพียงเล็กน้อย ในกรณีที่อัตราการปฏิเสธไม่ใหญ่มากขอบเขตนั้นก็ดูเหมือนจะเล็กมากอย่างแน่นอน
เดวิดแฮนด์ "การอนุมานโดยตรงในการดำเนินงานด้านเครดิต" ปรากฏในคู่มือการให้คะแนนเครดิต 2001
มีการเสนอวิธีการหลายวิธีและมีการใช้และในขณะที่บางวิธีไม่ชัดเจนและไม่ควรแนะนำ แต่ก็ไม่มีวิธีที่ดีที่สุดในการบังคับใช้สากลเว้นแต่จะได้รับข้อมูลเพิ่มเติม นั่นคือทางออกที่ดีที่สุดคือการได้รับข้อมูลเพิ่มเติม (บางทีอาจเป็นการให้สินเชื่อแก่ผู้ที่มีโอกาสถูกปฏิเสธ) เกี่ยวกับผู้สมัครที่ตกอยู่ในภูมิภาคที่ถูกปฏิเสธ
@GabyLP ในความคิดเห็นก่อนหน้า จากประสบการณ์ของฉันคุณสามารถแยกลูกค้าออกเป็นสองส่วนและกำหนดน้ำหนักสำหรับทั้งสองแยกตามความน่าจะเป็น ตัวอย่างเช่นหากลูกค้าที่ถูกปฏิเสธมี 10% PD คุณสามารถสร้างลูกค้าสองรายจากลูกค้ารายนี้ ก่อนมีตัวแปรเป้าหมาย 1 และน้ำหนัก 0.1 และวินาทีมีตัวแปรเป้าหมาย 0 และน้ำหนัก 0.9
ตัวอย่างที่ลูกค้ายอมรับทั้งหมดจะมีน้ำหนัก == 1
แม้ว่ามันจะทำงานได้ดีกับการถดถอยแบบโลจิสติก แต่มันก็ไม่สามารถทำงานกับแบบจำลองที่ใช้แผนภูมิ