Adakah yang bisa menjelaskan secara detail:
Saya memang memiliki gagasan untuk menolak menyimpulkan dalam aplikasi kartu kredit tetapi berjuang dengan pemikiran menggunakannya untuk meningkatkan akurasi model saya.
Dalam membangun model kredit, tolak inferencing adalah proses menyimpulkan kinerja akun kredit yang ditolak dalam proses aplikasi.
Ketika membangun model risiko kredit aplikasi, kami ingin membangun model yang memiliki penerapan " melalui pintu ", yaitu, kami memasukkan semua data aplikasi ke dalam model risiko kredit, dan model tersebut mengeluarkan peringkat risiko atau probabilitas default. Masalahnya ketika menggunakan regresi untuk membangun model dari data masa lalu adalah bahwa kita tahu kinerja akun hanya untuk aplikasi yang diterima di masa lalu. Namun, kami tidak tahu kinerja penolakan, karena setelah mendaftar kami mengirim mereka kembali. Ini dapat menghasilkan bias seleksi dalam model kami, karena jika kami hanya menggunakan "accepts" di masa lalu dalam model kami, model tersebut mungkin tidak berkinerja baik pada populasi "through-the-door".
Ada banyak cara untuk berurusan dengan penolakan kesimpulan, semuanya kontroversial. Saya akan menyebutkan dua yang sederhana di sini.
"Definisikan tolak ditolak sebagai buruk" hanya mengambil semua data aplikasi yang ditolak, dan alih-alih membuangnya saat membangun model, tetapkan semuanya sebagai buruk. Metode ini sangat bias model terhadap kebijakan menerima / menolak masa lalu.
"Parceling" sedikit lebih canggih. Terdiri dari
Ada berbagai cara untuk melakukan tugas baik atau buruk di langkah 3, dan proses ini juga dapat diterapkan secara iteratif.
Seperti yang dinyatakan sebelumnya, penggunaan inferencing penolakan adalah kontroversial, dan sulit untuk memberikan jawaban langsung tentang bagaimana hal itu dapat digunakan untuk meningkatkan akurasi model. Saya hanya akan mengutip beberapa orang lain tentang masalah ini.
Jonathan Crook dan John Banasik, Apakah Tolak Inferensi Benar-Benar Meningkatkan Kinerja Model Penilaian Aplikasi?
Pertama, bahkan di mana proporsi pelamar yang sangat besar ditolak, ruang lingkup untuk meningkatkan model parameter hanya pada yang diterima tampak sederhana. Di mana tingkat penolakan tidak begitu besar, cakupan itu tampaknya memang sangat kecil.
David Hand, "Inferensi Langsung dalam Operasi Kredit", muncul di Handbook of Credit Scoring, 2001
Beberapa metode telah diusulkan dan digunakan dan, sementara beberapa di antaranya jelas buruk dan tidak boleh direkomendasikan, tidak ada metode terbaik penerapan universal yang unik kecuali jika informasi tambahan diperoleh. Artinya, solusi terbaik adalah untuk mendapatkan lebih banyak informasi (mungkin dengan memberikan pinjaman kepada beberapa calon yang ditolak) tentang para pelamar yang termasuk dalam wilayah yang ditolak.
@GabyLP dalam komentar sebelumnya. Berdasarkan pengalaman saya, Anda dapat membagi klien tersebut menjadi dua bagian dan menetapkan bobot untuk kedua pemisahan sesuai dengan probabilitas. Misalnya, jika klien yang ditolak memiliki PD 10%, Anda dapat membuat dua klien dari yang ini. Pertama memiliki variabel target 1 dan berat 0,1 dan kedua memiliki variabel target 0 dan berat 0,9.
Seluruh sampel klien yang diterima akan memiliki bobot == 1.
Meskipun ini bekerja dengan regresi logistik, itu tidak bekerja dengan model berbasis pohon.
sumber