Jurnalul de împrumut și suma datorată sunt câțiva vectori prin setul de date. Alte trei măști sunt stegulețe binare (vectori) care folosesc 0 și 1 pentru a exprima poate condițiile particulare sunt îndeplinite pentru înregistrarea care este sigură. Masca (predict, settled) este alcătuită din rezultatul previziunilor modelului: atunci valoarea este 1, în caz contrar, este 0. Masca este o funcție de prag, deoarece rezultatele previziunilor variază dacă modelul prezice că împrumutul va fi decontat. Acestea fiind spuse, Masca (real, decontat) și Masca (adevărat, scadent) sunt câțiva vectori opuși: în cazul în care eticheta reală cu privire la împrumut este decontată, atunci valoarea din Masca (adevărat, decontat) este 1, și invers. în acest caz, venitul ar putea fi elementul punct al celor trei vectori: dobânda datorată, Masca (predicție, decontat) și Masca (real, decontat) și Masca (real, decontat). Cheltuielile ar putea fi elementul punctat a trei vectori: cantitatea împrumutului, Masca (previzibil, decontat) și Masca (adevărat, scadent). Formulele matematice pot fi exprimate mai jos: Folosind venitul gândit ca diferență esențială între cost și venit, acesta este într-adevăr determinat pe majoritatea pragurilor de clasificare. Rezultatele sunt reprezentate mai jos, în figura 8, atât pentru modelul Random Forest, cât și pentru modelul XGBoost. Venitul se întâmplă să fie modificat în conformitate cu adevărata gamă largă de împrumuturi, astfel încât valoarea sa reprezintă venitul care urmează să fie fabricat pentru fiecare client. de îndată ce limita a ajuns la 0, modelul ajunge la cea mai mare setare absolută, care este agresivă, în care toate împrumuturile sunt necesare pentru a fi decontate. Este într-adevăr practic modul în care se execută afacerea clientului’s fără a avea modelul: setul de date este format doar din împrumuturile care au fost acordate. Este într-adevăr clar că venitul este sub -1.200, ceea ce înseamnă că firma care continuă pierde numerar cu peste 1.200 de dolari pe împrumut. în cazul în care limita este programată la 0, modelul devine probabil cel mai conservator, unde se anticipează că toate împrumuturile nu vor fi plătite. În acest caz, în curând nu se va emite niciun împrumut. Nu veți avea nici numerar distrus, nici profituri, ceea ce duce la un venit de 0. Pentru a obține limita optimizată când vine vorba de model, trebuie găsit cel mai mare venit. Pot fi găsite punctele optime: Modelul Random Forest atinge profitul maxim de 154,86 la un prag de 0,71, iar modelul XGBoost atinge profitul maxim de 158,95 la un prag de 0,95 în ambele modele. Ambele modele au capacitatea de a transforma pierderile în venituri cu creșteri de foarte aproape 1.400 de dolari pe individ. Deși modelul XGBoost îmbunătățește veniturile cu aproximativ 4 dolari semnificativ mai mult decât o face modelul Random Forest, modelul său de curbă a profitului este mai abrupt în partea superioară. Pragul poate fi ajustat între 0,55 și 1 pentru a asigura un profit, dar modelul XGBoost are doar un interval între 0,8 și 1 în modelul Random Forest. În plus, forma aplatizată din cadrul modelului Random Forest asigură robustețe la practic orice modificare a informațiilor și poate prelungi durata anticipată a modelului înainte de a fi necesară o actualizare a acestuia. În consecință, se recomandă ca modelul Random Forest să devină implementat în timpul limitei de 0,71 pentru a optimiza veniturile cu o performanță care este relativ stabilă. 4. ConcluziiAceastă sarcină este o clasificare medie care este binară, care valorifică informațiile ipotecare și individuale pentru a anticipa poate că clientul nu va plăti ipoteca. Scopul este de a utiliza modelul ca un instrument pentru a face alegeri privind emiterea creditelor. Sunt realizate două clasificatoare aleatorii care utilizează Forest XGBoost. Ambele modele sunt capabile să schimbe pierderea în beneficiu cu peste 1.400 de dolari pe împrumut. Modelul Random Forest este recomandat să devină implementat din cauza performanței sale care este stabilă și la greșeli. relațiile dintre caracteristici au fost acum examinate pentru o mai bună inginerie a caracteristicilor. Caracteristicile, cum ar fi, de exemplu, Tier și Selfie ID Check sunt observate devin posibili predictori care determină statutul pentru împrumut, iar fiecare dintre acestea au fost deja verificate ulterior în modelele de categorie, deoarece ambele pot fi găsite în lista care este în partea de sus a valorii. Foarte multe alte caracteristici sunt mult mai puțin evidente din funcțiile pe care le joacă și care afectează statutul de ipotecă, prin urmare, modelele de învățare a dispozitivelor sunt concepute pentru a învăța astfel de obiceiuri intrinseci. veți găsi 6 clasificări care sunt utilizate în mod obișnuit ca solicitanți, inclusiv KNN, Gaussian NaГЇve Bayes, Logistic Regression, Linear SVM, Random Forest și XGBoost. Acestea acoperă o varietate care este largă de familii, de la cele neparametrice la cele probabilistice, la cele parametrice, la metodele de ansamblu bazate pe arbori. Printre acestea, modelul Random Forest și modelul XGBoost oferă cea mai bună performanță: modelul anterior are o precizie de 0,7486 în setul de testare, iar cel din urmă are o precizie de 0,7313 după o ajustare fină.Cea mai esențială sarcină principală ar fi optimizarea modelelor instruite pentru a maximiza veniturile. Pragurile de clasificare sunt ajustabile pentru a modifica “strictitatea” acestor rezultate de prognoză: Cu praguri mai mici, modelul este mai agresiv care permite ca mai multe împrumuturi să devină acordate; cu praguri mai mari, ajunge să fie mai conservator și nu va emite împrumuturile decât dacă există cu siguranță o probabilitate care este ridicată ca împrumuturile să poată fi rambursate. Relația dintre profit și nivelul pragului a fost determinată prin utilizarea formulei profitului ca funcție de pierdere. Atât pentru modele, cât și pentru modele, apar puncte dulci care vor ajuta compania să treacă de la pierdere la profit. Afacerea este capabilă să obțină un profit de 154,86 și 158,95 per client cu modelul Random Forest și XGBoost, respectiv, fără model, există o pierdere de peste 1.200 de dolari per împrumut, dar după implementarea modelelor de clasificare. Deși se ajunge la un profit mai mare făcând uz de modelul XGBoost, modelul Random Forest continuă să fie sugerat să devină implementat pentru producție, deoarece curba veniturilor este mai plană în partea superioară, ceea ce aduce robustețe la greșeli și constanță pentru schimbări. Din acest motiv, se pot anticipa mai puține întrețineri și actualizări în cazul în care se optează pentru modelul Random Forest. pașii care urmează sarcinii sunt implementarea modelului și monitorizarea performanțelor sale ori de câte ori sunt localizate documente mai recente. modificările vor fi probabil necesare fie în mod sezonier, fie ori de câte ori performanța se situează sub criteriile standard pentru a permite modificările aduse de fațetele exterioare. Regularitatea întreținerii modelului pentru această aplicație nu trebuie să fie mare, având în vedere cantitatea de oferte admise, dacă modelul trebuie să fie utilizat în mod detaliat și în timp util, nu este foarte greu de transformat această sarcină într-o conductă de învățare online care să se asigure că modelul devine întotdeauna la zi.
Interesul de împrumut și suma datorată sunt câțiva vectori prin setul de date. Alte trei măști sunt stegulețe binare (vectori) care utilizează 0 și 1 pentru a exprima poate că sunt îndeplinite condițiile particulare pentru înregistrarea care este sigură. Masca (predict, settled) este alcătuită din rezultatul previziunilor modelului: atunci valoarea este 1, în caz contrar, este 0. Masca este o funcție de prag, deoarece rezultatele previziunilor variază dacă modelul prezice că împrumutul va fi decontat. Acestea fiind spuse, Masca (real, decontat) și Masca (adevărat, scadent) sunt câțiva vectori opuși: în cazul în care eticheta reală cu privire la împrumut este decontată, atunci valoarea din Masca (adevărat, decontat) este 1, și invers. în acest caz, venitul ar putea fi elementul punct al celor trei vectori: dobânda datorată, Masca (predicție, decontat) și Masca (real, decontat) și Masca (real, decontat). Cheltuielile ar putea fi elementul punctat a trei vectori: cantitatea împrumutului, Masca (previzibil, decontat) și Masca (adevărat, scadent). Formulele matematice pot fi exprimate mai jos: Folosind venitul gândit ca diferență esențială între cost și venit, acesta este într-adevăr determinat pe majoritatea pragurilor de clasificare. Rezultatele sunt reprezentate mai jos, în figura 8, atât pentru modelul Random Forest, cât și pentru modelul XGBoost. Venitul se întâmplă să fie modificat în conformitate cu adevărata gamă largă de împrumuturi, astfel încât valoarea sa reprezintă venitul care urmează să fie fabricat pentru fiecare client. de îndată ce limita a ajuns la 0, modelul ajunge la cea mai mare setare absolută, care este agresivă, în care toate împrumuturile sunt necesare pentru a fi decontate. Este într-adevăr practic modul în care se execută afacerea clientului’s fără a avea modelul: setul de date este format doar din împrumuturile care au fost acordate. Este într-adevăr clar că venitul este sub -1.200, ceea ce înseamnă că firma care continuă pierde numerar cu peste 1.200 de dolari pe împrumut. în cazul în care limita este programată la 0, modelul devine probabil cel mai conservator, unde se anticipează că toate împrumuturile nu vor fi plătite. În acest caz, în curând nu se va emite niciun împrumut. Nu veți avea nici numerar distrus, nici profituri, ceea ce duce la un venit de 0. Pentru a obține limita optimizată când vine vorba de model, trebuie găsit cel mai mare venit. Pot fi găsite punctele optime: Modelul Random Forest atinge profitul maxim de 154,86 la un prag de 0,71, iar modelul XGBoost atinge profitul maxim de 158,95 la un prag de 0,95 în ambele modele. Ambele modele au capacitatea de a transforma pierderile în venituri cu creșteri de foarte aproape 1.400 de dolari pe individ. Deși modelul XGBoost îmbunătățește veniturile cu aproximativ 4 dolari semnificativ mai mult decât o face modelul Random Forest, modelul său de curbă a profitului este mai abrupt în partea superioară. Pragul poate fi ajustat între 0,55 și 1 pentru a asigura un profit, dar modelul XGBoost are doar un interval între 0,8 și 1 în modelul Random Forest. În plus, forma aplatizată din cadrul modelului Random Forest asigură robustețe la practic orice modificare a informațiilor și poate prelungi durata anticipată a modelului înainte de a fi necesară o actualizare a acestuia. În consecință, se recomandă ca modelul Random Forest să devină implementat în timpul limitei de 0,71 pentru a optimiza veniturile cu o performanță care este relativ stabilă. 4. ConcluziiAceastă sarcină este o clasificare medie care este binară, care valorifică informațiile ipotecare și individuale pentru a anticipa poate că clientul nu va plăti ipoteca. Scopul este de a utiliza modelul ca un instrument pentru a face alegeri privind emiterea creditelor. Sunt realizate două clasificatoare aleatorii care utilizează Forest XGBoost. Ambele modele sunt capabile să schimbe pierderea în beneficiu cu peste 1.400 de dolari pe împrumut. Modelul Random Forest este recomandat să devină implementat din cauza performanței sale care este stabilă și la greșeli. relațiile dintre caracteristici au fost acum examinate pentru o mai bună inginerie a caracteristicilor. Caracteristicile, cum ar fi, de exemplu, Tier și Selfie ID Check sunt observate devin posibili predictori care determină statutul pentru împrumut, iar fiecare dintre acestea au fost deja verificate ulterior în modelele de categorie, deoarece ambele pot fi găsite în lista care este în partea de sus a valorii. Foarte multe alte caracteristici sunt mult mai puțin evidente din funcțiile pe care le joacă și care afectează statutul de ipotecă, prin urmare, modelele de învățare a dispozitivelor sunt concepute pentru a învăța astfel de obiceiuri intrinseci. veți găsi 6 clasificări care sunt utilizate în mod obișnuit ca solicitanți, inclusiv KNN, Gaussian NaГЇve Bayes, Logistic Regression, Linear SVM, Random Forest și XGBoost. Acestea acoperă o varietate care este largă de familii, de la cele neparametrice la cele probabilistice, la cele parametrice, la metodele de ansamblu bazate pe arbori. Printre acestea, modelul Random Forest și modelul XGBoost oferă cea mai bună performanță: modelul anterior are o precizie de 0,7486 în setul de testare, iar cel din urmă are o precizie de 0,7313 după o ajustare fină.Cea mai esențială sarcină principală ar fi optimizarea modelelor instruite pentru a maximiza veniturile. Pragurile de clasificare sunt ajustabile pentru a modifica “strictitatea” acestor rezultate de prognoză: Cu praguri mai mici, modelul este mai agresiv care permite ca mai multe împrumuturi să devină acordate; cu praguri mai mari, ajunge să fie mai conservator și nu va emite împrumuturile decât dacă există cu siguranță o probabilitate care este ridicată ca împrumuturile să poată fi rambursate. Relația dintre profit și nivelul pragului a fost determinată prin utilizarea formulei profitului ca funcție de pierdere. Atât pentru modele, cât și pentru modele, apar puncte dulci care vor ajuta compania să treacă de la pierdere la profit. Afacerea este capabilă să obțină un profit de 154,86 și 158,95 per client cu modelul Random Forest și XGBoost, respectiv, fără model, există o pierdere de peste 1.200 de dolari per împrumut, dar după implementarea modelelor de clasificare. Deși se ajunge la un profit mai mare făcând uz de modelul XGBoost, modelul Random Forest continuă să fie sugerat să devină implementat pentru producție, deoarece curba veniturilor este mai plată în partea superioară, ceea ce aduce robustețe la greșeli și constanță pentru schimbări. Din acest motiv, se pot anticipa mai puține întrețineri și actualizări în cazul în care se optează pentru modelul Random Forest. pașii care urmează sarcinii sunt implementarea modelului și monitorizarea performanțelor sale ori de câte ori sunt localizate documente mai recente. modificările vor fi probabil necesare fie în mod sezonier, fie ori de câte ori performanța se situează sub criteriile standard pentru a permite modificările aduse de fațetele exterioare. Regularitatea întreținerii modelului pentru această aplicație nu trebuie să fie mare, având în vedere cantitatea de oferte primite, dacă modelul trebuie să fie utilizat în mod detaliat și în timp util, nu este greu de transformat această sarcină într-o conductă de învățare on-line care să se asigure că modelul devine întotdeauna la zi.
.