L’interesse del prestito e l’importo dovuto sono un paio di vettori attraverso il set di dati. Altre tre maschere sono bandiere binarie (vettori) che usano 0 e 1 per esprimere forse le condizioni particolari sono soddisfatte per il record che è certo. Mask (predict, settled) è fatta del risultato della previsione del modello: allora il valore è 1, altrimenti, è 0. La maschera è una funzione di soglia perché i risultati della previsione variano se il modello predice che il prestito sarà liquidato. Detto questo, Mask (real, settled) e Mask (true, past due) sono una coppia di vettori opposti: nel caso in cui l’etichetta reale riguardante il prestito sia liquidata, allora il vostro valore in Mask (true, settled) è 1, e il contrario.Quindi il reddito potrebbe essere il punto di tre vettori: interessi dovuti, Mask (predict, settled), e Mask (real, settled). Le spese potrebbero essere il punto di tre vettori: quantità del prestito, Maschera (prevedere, liquidare), e Maschera (vero, scaduto). Le formule matematiche possono essere espresse qui di seguito: utilizzando il reddito pensato come la differenza essenziale tra il costo e il reddito, è davvero determinato attraverso la maggior parte delle soglie di classificazione. I risultati sono tracciati nella figura 8 sia per il modello Random Forest che per il modello XGBoost. Le entrate vengono modificate in linea con la gamma reale di prestiti, quindi il suo valore rappresenta le entrate da produrre per cliente. Non appena il limite ha raggiunto lo 0, il modello raggiunge l’impostazione più assoluta che è aggressiva dove tutti i prestiti devono essere saldati. In pratica è il modo in cui il business del cliente’ viene eseguito senza avere il modello: il set di dati è composto solo dai prestiti che sono stati dati. E’ davvero chiaro che le entrate sono inferiori a -1.200, il che significa che l’azienda continua a perdere contanti per oltre 1.200 dollari per ogni prestito.Nel caso in cui il limite sia programmato a 0, il modello diventa probabilmente il più conservativo, dove tutti i prestiti sono previsti in difetto. In questo caso, nessun prestito sarà presto emesso. Non avrete né contanti distrutti, né profitti, il che porta ad un’entrata di 0.Per ottenere il limite ottimizzato quando si tratta di modello, si deve trovare l’entrata massima. Gli sweet spot possono essere trovati: Il modello Random Forest raggiunge il massimo profitto di 154,86 con una soglia di 0,71 e il modello XGBoost raggiunge il massimo profitto di 158,95 con una soglia di 0,95 in entrambi i modelli. Entrambi i modelli hanno la capacità di trasformare le perdite in entrate con aumenti di quasi 1.400 dollari per individuo. Anche se il modello XGBoost migliora le entrate di circa 4 dollari significativamente più del modello Random Forest, il suo modello della curva di profitto è più ripido nella parte superiore. La soglia può essere regolata tra 0,55 e 1 per garantire un profitto, ma il modello XGBoost ha solo una gamma tra 0,8 e 1 nel modello Random Forest. Inoltre, la forma appiattita all’interno del modello Random Forest fornisce robustezza a praticamente qualsiasi cambiamento nelle informazioni e può allungare la durata prevista del modello prima che qualsiasi aggiornamento del modello sia necessario. Di conseguenza, il modello Random Forest si raccomanda di essere implementato durante il limite di 0,71 per ottimizzare le entrate con una performance che è relativamente stabile.4. ConclusioniQuesto compito è una classificazione media che è binario, che sfrutta l’ipoteca e le informazioni individuali per anticipare forse il cliente sarà inadempiente il mutuo. L’obiettivo è di utilizzare il modello come uno strumento per fare delle scelte sull’emissione dei prestiti. Due classificatori sono realizzati Random che sta usando Forest XGBoost. Entrambi i modelli sono capaci di commutare la perdita in beneficio di oltre 1.400 dollari per prestito. Il modello Random Forest è raccomandato diventare implementato a causa della sua performance che è stabile e agli errori.Le relazioni tra le caratteristiche sono state esaminate per una migliore ingegneria delle caratteristiche. Caratteristiche come per esempio Tier e Selfie ID Check sono osservati diventare possibili predittori che determinano lo stato per il prestito, e ognuno di questi sono già stati verificati in seguito nei modelli di categoria poiché entrambi possono essere trovati nella lista che è superiore di valore. Un gran numero di altre caratteristiche sono molto meno evidenti dalle funzioni che giocano che influenzano lo stato del mutuo, quindi i modelli di apprendimento dei dispositivi sono progettati per imparare tali abitudini intrinseche.Troverete 6 classificazioni comuni utilizzate come richiedenti, tra cui KNN, Gaussian NaГЇve Bayes, Logistic Regression, Linear SVM, Random Forest e XGBoost. Essi coprono una varietГ di famiglie, da quelle non parametriche a quelle probabilistiche, a quelle parametriche, fino ai metodi di ensemble basati su alberi. Incluso in questo, il modello Random Forest e anche il modello XGBoost forniscono le migliori prestazioni: il precedente arriva con una precisione di 0,7486 nel set di test e anche il secondo possiede una precisione di 0,7313 dopo la messa a punto.Il compito principale in assoluto più essenziale sarebbe quello di ottimizzare i modelli addestrati per massimizzare le entrate. Le soglie di classificazione sono regolabili per modificare la “strictness” dei risultati di questa previsione: Con soglie più basse, il modello è più aggressivo e permette di concedere più prestiti; con soglie più alte, diventa più conservativo e non emetterà i prestiti a meno che non ci sia certamente una probabilità alta che i prestiti possano essere rimborsati. La relazione tra il profitto e il livello di soglia è stata determinata utilizzando la formula del profitto come funzione di perdita. Per entrambi i modelli, si verificano punti dolci che aiuteranno l’azienda a passare dalla perdita al profitto. L’azienda è in grado di produrre un profitto di 154,86 e 158,95 per cliente con il modello Random Forest e XGBoost, rispettivamente senza il modello, c’è una perdita di più di 1.200 dollari per prestito, ma dopo aver implementato i modelli di classificazione. Sebbene raggiunga un profitto maggiore utilizzando il modello XGBoost, il modello Random Forest continua ad essere suggerito per essere implementato per la produzione poiché la curva delle entrate è più piatta nella parte superiore, che porta robustezza agli errori e stabilità per i cambiamenti. Per questo motivo, meno manutenzione e aggiornamenti potrebbero essere previsti nel caso in cui il modello Random Forest venga scelto. I passi successivi al compito sono quelli di distribuire il modello e monitorare le sue prestazioni ogni volta che si trovano documenti più recenti, le modifiche saranno probabilmente necessarie stagionalmente o ogni volta che la performance cade sotto i criteri standard per consentire le modifiche apportate dalle sfaccettature esterne. La regolarità della manutenzione del modello per questa applicazione non deve essere alta, se il modello deve essere utilizzato in modo dettagliato e tempestivo, non è difficile trasformare questo compito in una pipeline di apprendimento on-line che farà in modo che il modello diventi sempre aggiornato.