A hitelkamat és az esedékes összeg egy pár vektor az adathalmazon keresztül. Egy másik három maszk bináris zászlók (vektorok), amelyek 0 és 1 segítségével kifejezni talán az adott feltételek teljesülnek a rekord, hogy bizonyos. A maszk (predict, settled) a modell előrejelzési eredményéből készül: ekkor az értéke 1, ellenkező esetben 0. A maszk a küszöbérték függvénye, mivel az előrejelzési eredmények változnak, ha a modell a hitel rendezését jósolja. Ezt követően a Mask (valós, rendezett) és a Mask (valós, lejárt) pár ellentétes vektor: abban az esetben, ha a hitelre vonatkozó valós címke rendezett, akkor a Mask (valós, rendezett) értéke 1, és fordítva. akkor a jövedelem három vektor ponteleme lehet: esedékes kamat, Mask (előrejelzés, rendezett) és Mask (valós, rendezett). A kiadás lehet három vektor ponttétele: hitelmennyiség, Mask (predict, settled) és Mask (true, past due). A matematikai képletek az alábbiakban fejezhetők ki: A bevétel gondolatát a költség és a bevétel közötti lényeges különbségként használva valóban a legtöbb besorolási küszöbön keresztül határozható meg. Az eredményeket az alábbi 8. ábrán ábrázoljuk mind a Random Forest modellre, mind az XGBoost modellre vonatkozóan. A bevétel történetesen a hitelek valódi széles skálájával összhangban módosul, így értéke az ügyfelenként gyártandó bevételt jelenti. amint a határérték elérte a 0-t, a modell eléri az abszolút legagresszívabb beállítást, ahol minden hitelt ki kell egyenlíteni. Ez tényleg alapvetően az ügyfél’s üzlet végrehajtása a modell nélkül: az adathalmaz csak az adott hitelekből áll. Valóban egyértelmű, hogy a bevétel -1 200 alatt van, ami azt jelenti, hogy a folytatódó vállalat hitelenként több mint 1200 dollárral veszít készpénzt. abban az esetben, ha a határértéket 0-ra tervezik, a modell valószínűleg a legkonzervatívabbá válik, ahol minden hitel várhatóan nem teljesül. Ebben az esetben hamarosan nem kerül sor hitelek kibocsátására. Nem lesz sem készpénz megsemmisítve, sem nyereség, ami 0 bevételt eredményez. az optimális határérték eléréséhez, amikor a modellről van szó, meg kell találni a legnagyobb bevételt. Az édes pontokat meg lehet találni: A Random Forest modell 0,71-es küszöbérték mellett éri el a 154,86-os maximális nyereséget, az XGBoost modell pedig 0,95-ös küszöbérték mellett éri el a 158,95-ös maximális nyereséget mindkét modellnél. Mindkét modell képes arra, hogy a veszteségeket bevétellé alakítsa, egyedenként nagyon közel 1400 dolláros növekedéssel. Bár az XGBoost modell körülbelül 4 dollárral jelentősen többet javítja a bevételt, mint a Random Forest modell, a modellje a nyereséggörbe meredekebb a tetején. A küszöbérték 0,55 és 1 között állítható be a nyereség biztosítása érdekében, de az XGBoost modell csak 0,8 és 1 közötti tartományban van a Random Forest modellben. Ezen túlmenően a Random Forest modellen belül a lapos forma robusztusságot biztosít gyakorlatilag bármilyen információváltozással szemben, és meghosszabbíthatja a modell várható időtartamát, mielőtt bármilyen modellfrissítésre lenne szükség. Következésképpen a Random Forest modellt ajánlott megvalósítani a 0,71-es határérték alatt, hogy optimalizálja a bevételt egy viszonylag stabil teljesítménnyel.4. KövetkeztetésekEz a feladat egy átlagos osztályozás, amely bináris, amely kihasználja a jelzálogot és az egyéni információkat, hogy előre jelezze talán az ügyfél nem teljesíti a jelzálogot. A cél a modell eszközként való felhasználása a hitelek kiadására vonatkozó döntések meghozatalához. Két osztályozó készül véletlenszerű, amely Forest XGBoostot használ. Mindkét modell képes a veszteséget kölcsönönként több mint 1400 dollár haszonra váltani. A Random Forest modell ajánlott lesz végrehajtani, mert a teljesítménye, hogy stabil és a hibák.A kapcsolatok a funkciók között most már megvizsgálták a jobb funkció mérnöki. Jellemzők, mint például Tier és Selfie ID Check megfigyeltek válnak lehetséges előrejelzők, amelyek meghatározzák az állapotot a kölcsön, és mindegyik már igazolták később a kategóriába modellek, mivel mindkettő megtalálható a listán, hogy a felső érték. Nagyon sok más jellemző sokkal kevésbé nyilvánvaló a funkciókat játszanak, amelyek befolyásolják a jelzálog státuszát, ezért az eszköz tanulási modelleket úgy tervezték, hogy megtanulják az ilyen belső szokásokat. 6 osztályozást talál, amely gyakori, mint a kérelmezők, beleértve a KNN, Gaussian NaГЇve Bayes, Logistic Regression, Linear SVM, Random Forest és XGBoost. Ezek egy széles családot fednek le, a nem parametrikus, valószínűségi, parametrikus és fa alapú együttes módszerektől kezdve. Ezen belül a Random Forest modell és az XGBoost modell nyújtja a legjobb teljesítményt: az előző 0,7486-os pontossággal rendelkezik a tesztkészletben, és az utóbbi 0,7313-as pontossággal rendelkezik a finomhangolás után.A legfontosabb feladat a képzett modellek optimalizálása a bevétel maximalizálása érdekében. Az osztályozási küszöbértékek állíthatóak az előrejelzési eredmények szigorúságának megváltoztatására: Alacsonyabb küszöbértékek esetén a modell agresszívebb, ami több hitelnyújtást tesz lehetővé; magasabb küszöbértékek esetén konzervatívabbá válik, és csak akkor adja ki a hiteleket, ha a hitelek visszafizetésének valószínűsége nagy. A nyereség és a küszöbszint közötti kapcsolatot úgy határoztuk meg, hogy a nyereségképletet veszteségfüggvényként használtuk. Mindkét modell esetében előfordulnak olyan édes pontok, amelyek segítenek a vállalatnak a veszteségből nyereségre váltani. A vállalkozás a Random Forest és az XGBoost modellel 154,86 és 158,95 dolláros nyereséget tud elérni ügyfelenként, illetve a modell nélkül több mint 1200 dolláros veszteség keletkezik hitelenként, de az osztályozási modellek bevezetése után. Bár nagyobb nyereséget ér el az XGBoost modell felhasználásával, a Random Forest modellt továbbra is javasolják a gyártáshoz, mivel a bevételi görbe laposabb a tetején, ami a hibákkal szembeni robusztusságot és a változásokra való állandóságot hozza. Ennek eredményeként ez az ok, kevesebb karbantartás és frissítések is várható abban az esetben, hogy Random Forest modell plumped for.The lépések, amelyek a következő a feladat az, hogy telepítse a modellt, és figyelemmel kíséri a teljesítményét, amikor újabb dokumentumok találhatók. változások valószínűleg szükség lesz akár szezonálisan, vagy bármikor a teljesítmény alá esik a standard kritériumok, hogy lehetővé tegye a módosítások által hozott a külső szempontok. A rendszeresség a modell karbantartása erre az alkalmazásra nem kell, hogy magas legyen, feltéve, hogy a mennyisége foglalkozik felvétel, ha a modell kell használni a részletes és a divat, hogy az időszerű ez tényleg nem nehéz átalakítani ezt a feladatot egy on-line tanulási csővezeték, amely biztosítja, hogy a modell lesz mindig annyi, mint a dátum.