Oprocentowanie kredytu i kwota należna to kilka wektorów przez zbiór danych. Jeden inny trzy maski są binarne flagi (wektory), które używają 0 i 1 do wyrażenia być może szczególne warunki są spełnione dla rekordu, który jest pewny. Maska (predict, settled) jest wykonana z wyniku prognozy modelu: wtedy wartość wynosi 1, w przeciwnym razie jest to 0. Maska jest funkcją progu, ponieważ wyniki predykcji różnią się, jeśli model przewiduje, że pożyczka zostanie rozliczona. Mając na uwadze, że Maska (prawdziwe, rozliczone) i Maska (prawdziwe, zaległe) są kilka przeciwstawnych wektorów: w przypadku, gdy rzeczywista etykieta dotycząca pożyczki jest rozliczona, a następnie Twoja wartość w Maska (prawdziwe, rozliczone) jest 1, i na odwrót.Następnie dochód może być pozycja kropka trzech wektorów: odsetki należne, Maska (przewidywanie, rozliczone), i Maska (prawdziwe, rozliczone). Wydatki mogą być kropką trzech wektorów: ilość kredytu, Maska (przewidywany, rozliczony), i Maska (prawdziwy, przeterminowany). Formuły matematyczne mogą być wyrażone poniżej:Używając myśli o przychodzie jako istotnej różnicy między kosztem a przychodem, to naprawdę jest określona przez większość progów klasyfikacji. Wyniki są wykreślone poniżej na rysunku 8 zarówno dla modelu Random Forest jak i modelu XGBoost. W związku z tym, że model XGBoost nie jest w stanie sprostać oczekiwaniom klientów, jest on w stanie zapewnić im odpowiednie warunki. Jest to w zasadzie sposób, w jaki firma klienta działa bez modelu: zbiór danych składa się tylko z pożyczek, które zostały udzielone. W przypadku, gdy limit jest przewidziany na 0, model staje się najbardziej konserwatywny, gdzie wszystkie pożyczki są przewidziane do spłaty. W tym przypadku, żadne pożyczki nie zostaną wkrótce wydane. Będziesz miał ani gotówki zniszczone, ani żadnych zysków, co prowadzi do dochodu 0.Aby uzyskać zoptymalizowany limit, jeśli chodzi o model, należy znaleźć najwyższy dochód. Można znaleźć słodkie miejsca: Model Random Forest osiąga maksymalny zysk 154,86 przy progu 0,71, a model XGBoost osiąga maksymalny zysk 158,95 przy progu 0,95 w obu modelach. Oba modele mają zdolność do przekształcania przegranych w przychody z wzrostem bardzo blisko 1400 dolarów na osobę. Chociaż model XGBoost poprawia przychody o około 4 dolary znacznie więcej niż model Random Forest, jego model krzywej zysku jest bardziej stromy w poprzek szczytu. Próg może być regulowany w zakresie od 0,55 do 1, aby zapewnić zysk, ale model XGBoost ma tylko zakres od 0,8 do 1 w modelu Random Forest. Ponadto, spłaszczony kształt w modelu Random Forest zapewnia odporność na praktycznie wszelkie zmiany w informacjach i może wydłużyć przewidywany czas trwania modelu, zanim konieczne będzie jego uaktualnienie. W związku z tym zaleca się, aby model Random Forest został wdrożony podczas limitu 0,71 w celu optymalizacji przychodów z wydajnością, która jest względnie stabilna.4. WnioskiTo zadanie jest średnią klasyfikacją, która jest binarna, która wykorzystuje hipotekę i indywidualne informacje, aby przewidzieć, być może klient nie wywiąże się z kredytu hipotecznego. Celem jest wykorzystanie modelu jako instrumentu do podejmowania decyzji w sprawie wydawania kredytów. Dwa klasyfikatory są wykonane Random, że jest za pomocą lasu XGBoost. Oba modele są w stanie zmienić stratę na korzyść o ponad 1,400 dolarów na pożyczkę. Model Random Forest jest zalecane stają się realizowane ze względu na jego wydajność, która jest stabilna i do błędów.Relacje między cechami zostały teraz zbadane dla lepszej inżynierii funkcji. W związku z tym, że w przypadku, gdy w grę wchodzą również inne czynniki, takie jak np. Z tego powodu modele uczenia się urządzeń są zaprojektowane tak, aby uczyć się takich wewnętrznych nawyków.Znajdziesz tu 6 klasyfikacji, które są powszechnie używane jako wnioskodawcy, w tym KNN, Gaussian NaГЇve Bayes, Logistic Regression, Linear SVM, Random Forest i XGBoost. Obejmują one szeroki wachlarz rodzin, od nieparametrycznych do probabilistycznych, do parametrycznych, do opartych na drzewach metod zespołowych. W tym, model Random Forest, a także model XGBoost zapewniają wydajność, która jest najlepsza: poprzedni pochodzi z precyzją 0,7486 w zestawie testowym, a także ostatni posiada precyzję 0,7313 po fine-tuning.The absolutne najbardziej istotne główne zadanie byłoby zoptymalizować przeszkolonych modeli, aby zmaksymalizować przychody. Progi klasyfikacji są regulowane w celu zmiany dokładności prognoz: Przy niższych progach model jest bardziej agresywny, co umożliwia udzielenie większej liczby kredytów; przy wyższych progach staje się bardziej konserwatywny i nie będzie udzielał kredytów, chyba że z pewnością istnieje wysokie prawdopodobieństwo, że kredyty będą mogły być spłacone. Zależność pomiędzy zyskiem a poziomem progu została określona poprzez zastosowanie wzoru na zysk jako funkcji straty. Zarówno dla modeli, istnieją sweet spots, które pomogą firmie włączyć od straty do zysku. Firma jest w stanie przynieść zysk w wysokości 154,86 i 158,95 na klienta z Random Forest i XGBoost modelu, odpowiednio bez modelu, jest strata ponad 1200 dolarów na kredyt, ale po wdrożeniu modeli klasyfikacji. Chociaż osiąga większy zysk z wykorzystaniem modelu XGBoost, Random Forest model nadal jest sugerowane stać się wdrożone do produkcji, ponieważ krzywa przychodów jest bardziej płaska w górnej części, co przynosi solidność na błędy i stałość na zmiany. Z tego powodu, mniej utrzymanie i aktualizacje mogą być przewidywane w przypadku, gdy Random Forest model jest plumped for.The kroki, które są następne zadanie są do wdrożenia modelu i monitorowanie jego wydajności, gdy bardziej aktualne dokumenty znajdują się.Changes będzie prawdopodobnie potrzebne albo sezonowo lub w każdym czasie wydajność spada poniżej standardowych kryteriów, aby umożliwić modyfikacje przyniósł przez zewnętrzne aspekty. W związku z tym, że w przypadku, gdy nie ma możliwości, by model był wykorzystywany w sposób szczegółowy i terminowy, to naprawdę nie jest trudno przekształcić to zadanie w potok uczenia się on-line, który sprawi, że model stanie się zawsze aktualny. Jeden inny trzy maski są binarne flagi (wektory), które używają 0 i 1 do wyrażenia być może szczególne warunki są spełnione dla rekordu, który jest pewny. Maska (predict, settled) jest wykonana z wyniku prognozy modelu: wtedy wartość wynosi 1, w przeciwnym razie jest to 0. Maska jest funkcją progu, ponieważ wyniki predykcji różnią się, jeśli model przewiduje, że pożyczka zostanie rozliczona. Mając na uwadze, że Maska (prawdziwe, rozliczone) i Maska (prawdziwe, zaległe) są kilka przeciwstawnych wektorów: w przypadku, gdy rzeczywista etykieta dotycząca pożyczki jest rozliczona, a następnie Twoja wartość w Maska (prawdziwe, rozliczone) jest 1, i na odwrót.Następnie dochód może być pozycja kropka trzech wektorów: odsetki należne, Maska (przewidywanie, rozliczone), i Maska (prawdziwe, rozliczone). Wydatki mogą być kropką trzech wektorów: ilość kredytu, Maska (przewidywany, rozliczony), i Maska (prawdziwy, przeterminowany). Formuły matematyczne mogą być wyrażone poniżej:Używając myśli o przychodzie jako istotnej różnicy między kosztem a przychodem, to naprawdę jest określona przez większość progów klasyfikacji. Wyniki są wykreślone poniżej na rysunku 8 zarówno dla modelu Random Forest jak i modelu XGBoost. W związku z tym, że model XGBoost nie jest w stanie sprostać oczekiwaniom klientów, jest on w stanie zapewnić im odpowiednie warunki. Jest to w zasadzie sposób, w jaki firma klienta działa bez modelu: zbiór danych składa się tylko z pożyczek, które zostały udzielone. W przypadku, gdy limit jest przewidziany na 0, model staje się najbardziej konserwatywny, w którym wszystkie pożyczki są przewidziane do spłaty. W tym przypadku, żadne pożyczki nie zostaną wkrótce wydane. Będziesz miał ani gotówki zniszczone, ani żadnych zysków, co prowadzi do dochodu 0.Aby uzyskać zoptymalizowany limit, jeśli chodzi o model, należy znaleźć najwyższy dochód. Można znaleźć słodkie miejsca: Model Random Forest osiąga maksymalny zysk 154,86 przy progu 0,71, a model XGBoost osiąga maksymalny zysk 158,95 przy progu 0,95 w obu modelach. Oba modele mają zdolność do przekształcania przegranych w przychody z wzrostem bardzo blisko 1400 dolarów na osobę. Chociaż model XGBoost poprawia przychody o około 4 dolary znacznie więcej niż model Random Forest, jego model krzywej zysku jest bardziej stromy w poprzek szczytu. Próg może być regulowany w zakresie od 0,55 do 1, aby zapewnić zysk, ale model XGBoost ma tylko zakres od 0,8 do 1 w modelu Random Forest. Ponadto, spłaszczony kształt w modelu Random Forest zapewnia odporność na praktycznie wszelkie zmiany w informacjach i może wydłużyć przewidywany czas trwania modelu, zanim konieczne będzie jego uaktualnienie. W związku z tym zaleca się, aby model Random Forest został wdrożony podczas limitu 0,71 w celu optymalizacji przychodów z wydajnością, która jest względnie stabilna.4. WnioskiTo zadanie jest średnią klasyfikacją, która jest binarna, która wykorzystuje hipotekę i indywidualne informacje, aby przewidzieć, być może klient nie wywiąże się z kredytu hipotecznego. Celem jest wykorzystanie modelu jako instrumentu do podejmowania decyzji w sprawie wydawania kredytów. Dwa klasyfikatory są wykonane Random, że jest przy użyciu lasu XGBoost. Oba modele są w stanie zmienić stratę na korzyść o ponad 1,400 dolarów na pożyczkę. Model Random Forest jest zalecane stają się realizowane ze względu na jego wydajność, która jest stabilna i do błędów.Relacje między cechami zostały teraz zbadane dla lepszej inżynierii funkcji. W związku z tym, że w przypadku, gdy w grę wchodzą również inne czynniki, takie jak np. Z tego powodu modele uczenia się urządzeń są zaprojektowane tak, aby uczyć się takich wewnętrznych nawyków.Znajdziesz tu 6 klasyfikacji, które są powszechnie używane jako wnioskodawcy, w tym KNN, Gaussian NaГЇve Bayes, Logistic Regression, Linear SVM, Random Forest i XGBoost. Obejmują one szeroki wachlarz rodzin, od nieparametrycznych do probabilistycznych, do parametrycznych, do opartych na drzewach metod zespołowych. W tym, Random Forest model, a także model XGBoost zapewniają wydajność, która jest najlepsza: poprzedni pochodzi z precyzją 0,7486 w zestawie testowym, a także ostatni posiada precyzję 0,7313 po fine-tuning.The absolutne najbardziej istotne główne zadanie byłoby zoptymalizować przeszkolonych modeli, aby zmaksymalizować przychody. Progi klasyfikacji są regulowane, aby zmienić surowość prognozowanych wyników: Przy niższych progach model jest bardziej agresywny, co umożliwia udzielenie większej liczby kredytów; przy wyższych progach staje się bardziej konserwatywny i nie będzie udzielał kredytów, chyba że z pewnością istnieje wysokie prawdopodobieństwo, że kredyty będą mogły być spłacone. Zależność pomiędzy zyskiem a poziomem progu została określona poprzez zastosowanie wzoru na zysk jako funkcji straty. Zarówno dla modeli, istnieją sweet spots, które pomogą firmie włączyć od straty do zysku. Firma jest w stanie przynieść zysk w wysokości 154,86 i 158,95 na klienta z Random Forest i XGBoost modelu, odpowiednio bez modelu, nie ma straty ponad 1200 dolarów na pożyczkę, ale po wdrożeniu modeli klasyfikacji. Choć osiąga większy zysk z wykorzystaniem modelu XGBoost, Random Forest model nadal jest sugerowane stać się wdrożone do produkcji, ponieważ krzywa przychodów jest bardziej płaska w górnej części, co przynosi odporność na błędy i stabilność na zmiany. Z tego powodu, mniej utrzymanie i aktualizacje mogą być przewidywane w przypadku, gdy Random Forest model jest plumped for.The kroki, które są następne zadanie są do wdrożenia modelu i monitorowanie jego wydajności, gdy bardziej aktualne dokumenty znajdują się.Changes będzie prawdopodobnie potrzebne albo sezonowo lub w każdym czasie wydajność spada poniżej standardowych kryteriów, aby umożliwić modyfikacje przyniósł przez zewnętrzne aspekty. W związku z tym, że nie ma co się zastanawiać nad tym, czy w ogóle jest to możliwe, czy też nie, to nie ma co się zastanawiać nad tym, czy jest to możliwe.