การ ปรับ ปรุง ต้น ไม้ ใน การ ตัดสิน ใจ สําหรับ การ ซื้อ ขาย ที่ เป็น ที่ ยอม รับ ได้

แนะนํา

การประเมินความเสี่ยงจากค่าธรรมเนียมเป็นรากฐานของการดําเนินการทางธนาคาร ผู้ให้ยืมจะต้องแยกแยะความแตกต่างระหว่างผู้ยืมที่จะถูกยืมที่จะถูกชําระด้วยเวลาและคนที่น่าจะชําระด้วยค่าเริ่มต้น

ต้น ไม้ ที่ ต้อง ตัดสิน ใจ คือ อะไร?

ต้นตัดสินใจเป็นอัลกอริทึมการเรียนรู้ของเครื่องจักรที่ใช้โครงสร้างแบบ flowchart เพื่อทํานาย มันประกอบด้วย โหนดราก (ข้อมูลทั้งชุด) โหนดภายใน (จุดบนคุณสมบัติ) สาขา (ค่าทดสอบ) และโหนดใบ (การทํานายครั้งสุดท้าย) สําหรับความเสี่ยงของเป้าหมายคือ การจําแนกประเภท "คนไร้ความสามารถ" หรือ "ไม่สมบูรณ์" (ไม่มีความเสี่ยงใดๆ) (หรือการเสี่ยง)

ส่วนประกอบหลัก

• [FLT: 0]. รูต โหนด:[ การแยกส่วนแรกในคุณลักษณะที่ได้รับความรู้มากที่สุด.
• [FLT: 0] การขยายความ: วัดเช่น กินนียูนิเอท หรือข้อมูลได้ตัดสินใจจัดองค์ประกอบข้อมูล
• [FLT: 0] ดําเนินการ: การกําจัดกิ่งที่โตเกินขนาด เพื่อปรับปรุงความทั่วไป

การวินิจฉัยต้นไม้ไม่เท่ากัน ทําให้ข้อสันนิษฐานเกี่ยวกับการกระจายข้อมูลไม่ซับซ้อน และสามารถจับความสัมพันธ์ที่ไม่เชิงเส้นได้โดยไม่มีคุณสมบัติทางวิศวกรรม

ขั้น ตอน ใน การ ปรับ ปรุง การ ตัดสิน ใจ ต้น ไม้ ที่ มี ความ เสี่ยง สูง

ชุดข้อมูล 1.

ข้อมูลทางประวัติศาสตร์ที่มีคุณภาพสูง เป็นรากฐาน ข้อมูลทั่วไปรวมถึง:

• [FLT: 0] ข้อมูลการจําลอง: Income, value การจ้างงาน อายุ การศึกษา (พ.ศ.
• [FLT: 0] ข้อมูลบุเรโร: ประวัติการให้เครดิต, หนี้ที่โดดเด่น, จํานวนของปัญหาในอดีตที่ผิดพลาด
• [FLT: 0] ข้อมูลการเคลื่อนที่: รูปแบบการโอนถ่าย, ดุลยภาพบัญชี (help).
• [FLT: 0] ข้อมูลเศรษฐกิจ: อัตราดอกเบี้ย อัตราการว่างงาน (สําหรับโมเดลผลงานระดับวางแผง).

ชุดข้อมูลทั่วไปมีคุณลักษณะ 10-30 และบันทึกการกู้ยืมนับหมื่นตัว ตัวแปรเป้าหมายเป็นธงไบนารี: 1 หากผู้ยืมยกเลิกค่าภายในหน้าต่างที่นิยามไว้แล้ว (เช่น 12 เดือน), อื่น ๆ 0

2. ประมวลผลข้อมูลล่วงหน้า

ข้อมูล Raw ต้องทําความสะอาด:

• [FLT: 0] ค่าที่หายไป: ถักเปียงกับมัธยฐาน (สําหรับตัวเลข) หรือโหมด (สําหรับ CPLcal) หรือพิจารณาว่าสูญหายเป็นการแยกประเภทเพื่อจับรูปแบบข้อมูลศักย์
• [FLT: 0] การรักษาแบบนอกกรอบ : การเคาะค่านิยมสุดโต่งเพื่อหลีกเลี่ยงการถูกเบ้
• [FLT: 0] ตัวแปรการเรียง: การเข้ารหัสแบบ One-Hot หรือตราสัญลักษณ์สําหรับตัวแปรเช่นชนิดการจ้างงาน (FLT: 1).
• [FLT: 0] Normalization: ไม่จําเป้นต้องกําหนดสําหรับต้นไม้ตัดสินใจ แต่แน่ใจว่าระดับความสอดคล้อง ช่วยได้เมื่อใช้วิธีการประกอบการแบบรวมความหมายต่อมา

การประมวลผลที่เหมาะสม ลดอคติ และเตรียมข้อมูล สําหรับการแยกอย่างมีประสิทธิภาพ

3 การเลือกแบบย่อ

ไม่ใช่คุณสมบัติทั้งหมดจะมีส่วนเท่ากัน การคัดเลือกแบบ จะช่วยปรับปรุงประสิทธิภาพและตีความได้:

• [FLT: 0] ข้อมูลการรับข้อมูลส่วนต่าง ๆ: ลักษณะการกระฉั โดยจํานวนที่ลดความไม่แน่นอนเกี่ยวกับเป้าหมาย
• [FLT: 0] วิเคราะห์การแยกส่วน: ลบคุณสมบัติที่สัมพันธ์กันอย่างสูงออกไป เพื่อลดความไม่ต่อเนื่อง
• [FLT: 0] การกําจัดคุณสมบัติการจําแนก (RFE): ใช้ต้นตัดสินใจกําจัดคุณสมบัติอ่อนแอออกไป

องค์ประกอบที่เลือกโดยทั่วไป สําหรับความเสี่ยงด้านเครดิต รวมถึง สัดส่วนการให้กู้ยืม ทรัพย์สิน, จํานวนการค้าเปิด และความยาวของการให้เครดิต

4 ตึก ต้น ไม้

อัลกอริธึมต่าง ๆ กันในระเบียบการแบ่งส่วน และการควบคุมความซับซ้อน

• [FLT: 0]. คาร์ที (Classion and Retrievetion Atrees): ใช้ Gini distrieves เพื่อจําแนกประเภท (ini) ) ผลิตข้อมูลแยกไบนารีและจัดการข้อมูลสูญหายผ่านทางเซอร์โรเกท
• [FLT: 0] C4.5 / C5.0 : ใช้ข้อมูลเพิ่มสัดส่วนและผลิต ทางเดินหลายสายแตก แต่มีแนวโน้มสูงเกินการแปรรูปโดยไม่ระมัดระวัง
• [FLT: 0]ID3: บรรพชนโบราณ แทบจะไม่ใช้ในการผลิต

การปรับระดับไฮเปอร์พารามิเตอร์

ความซับซ้อนของต้นไม้สําหรับควบคุมพารามิเตอร์ของกุญแจ:

• [FLT: 0]: ระดับสูงสุด จํากัด เพื่อป้องกันการเกินขนาด (ค่าคอมมอน: 5-115).
• : จํานวนตัวอย่างที่น้อยที่สุดที่ต้องใช้ในการแยกโหนด (เช่น 50).
• : ตัวอย่างน้อยที่สุดต่อใบไม้ (e.g., 20).
• : จํานวนของคุณสมบัติแต่ละส่วนที่พิจารณาใช้ (เช่น ตารางของคุณสมบัติทั้งหมด).

ใช้การไล่สีเพื่อเลือกพารามิเตอร์ โดยต้นไม้ตื้นๆ อาจอยู่ต่ํากว่าไฟ; ต้นไม้ลึกจําเสียงได้ เป้าหมายคือต้นไม้ที่ทั่วไปมักใช้ผู้ยืมที่มองไม่เห็น

5. ดําเนินการ

วิธี การ สอง วิธี ที่ พบ ทั่ว ไป:

• [FLT: 0] Pre-pruring (หยุดชั่วคราว): [[FLT: 1) หยุดแยกเมื่อโหนดมีน้อยกว่าจํานวนตัวอย่างที่ขีดเส้นผ่าศูนย์กลาง หรือเมื่อการแบ่งส่วนที่ไม่ลดความไม่สะอาดเกินประโยชน์ขั้นต่ํา (เช่น 0.01).
• [FLT: 0]] เลือกต้นไม้ย่อยที่มีความผิดพลาดแบบข้ามมิติน้อยที่สุด Scist-complement alsoftwords: ปลูกต้นไม้เต็มรูปแบบ จากนั้นจึงตัดกิ่งที่เพิ่มค่าการทํานายได้น้อยมาก เลือกต้นไม้ย่อยที่มีความผิดพลาดที่น้อยที่สุด โดยเกิดข้อผิดพลาดจากการข้ามมิติ Scit-chids [FTT: 4] สนับสนุนมันผ่านทาง [FLTT: 5] พารามิเตอร์ (FTIFT: 5)

ต้น ไม้ ที่ ถูก โค่น ง่าย กว่า, มี แนว โน้ม น้อย กว่า, และ ใช้ ได้ ง่าย กว่า ใน การ ผลิต.

ข้อ ดี ต่าง ๆ ของ การ ใช้ ต้น ไม้ ใน การ ซื้อ ขาย

• [FLT: 0] Interplect: ต้นไม้ตัดสินใจสามารถมองภาพและอธิบายให้ผู้ถือหุ้นที่ไม่ใช่เทคโนโลยี (Not-THO) ผู้จัดการความเสี่ยงสามารถพูดได้ว่า “ถ้าหนี้ต่อสู่กิจการ > 45% และจํานวนคนที่ไม่ประสบความสําเร็จ > ธงเป็นการเสี่ยงสูง".
• [FLT: 0] ไม่จําเป็นต้องมีการปรับขนาด: เลขและลักษณะการวางแผงมีการจัดการตามภาษาท้องถิ่น ลดขั้นตอนการประมวลผลก่อน
• [FLT: 0] การผูกพันธ์ที่ไม่เป็นเชิงเส้น : อินเตอร์เทนชั่นระหว่างคุณสมบัติ (เช่น รายรับและจํานวนเงินเงินกู้) โดยอัตโนมัติถูกบันทึกผ่านการแบ่งตัว (เช่น รายได้และจํานวนเงินเงินกู้)
• [FLT: 0] speped: ครั้งหนึ่งเคยฝึกมา การทํานายนั้นเร็ว -- เวลาที่แยกออกจากความลึกของต้นไม้ ทําหน้าที่ในการตัดสินใจด้านเครดิตจริง
• [FLT: 0] ความสําคัญเชิงอนิจจัง : ต้นไม้ให้โครงสร้างที่สร้างขึ้น (เช่น การลดความไม่สะอาด) เพื่อจัดอันดับปัจจัยที่มีอิทธิพลมากที่สุด

ปัญหา และ การ พิจารณา

การทําเกินขนาด

การ เปลี่ยน แปลง เล็ก ๆ น้อย ๆ ใน การ ฝึก อบรม อาจ ทํา ให้ เกิด การ แตก แยก ได้ มาก.

ข้อมูลความไม่สมดุล

ค่าปริยายที่ตั้งไว้นั้นหายาก -- โดยมีตัวอย่างน้อยกว่า 5% โดยต้นไม้มาตรฐานอาจลําเอียงไปยังกลุ่มอื่น (ไม่ใช่ค่าปริยาย) ส่งผลให้ผู้ลืมค่าปริยายต่ํา

• [FLT: 0]. resampling: oversample ค่าปริยาย (SMOTE) หรือภายใต้การไม่เปิดเผย (SMOTE).
• [FLT: 0] คลาสเรียนที่เรียบเรียง: กําหนดโทษที่สูงขึ้น เพื่อให้คนปริยายเข้าใจผิด .
• [FLT: 0] ใช้สเกต: ปรับความน่าจะเป็นตัด (ต้นปกติทํานาย 0/1; ใช้ความน่าจะเป็นและกําหนดขีดเส้นเสี่ยงที่สูงกว่า).

ความสามารถ

ต้น ไม้ อาจ ไว ต่อ การ ฝึก อบรม เฉพาะ อย่าง ได้.

การ ทํา ให้ ต้น ไม้ ที่ ถูก ตัดสิน ใจ เป็น ต้น ใน การ ปฏิบัติ นั้น มี ผล กระทบ ต่อ ความ ก้าว หน้า ของ เรา อย่าง ไร?

แทน ที่ จะ เป็น เช่น นั้น ต้น ไม้ เหล่า นี้ ใช้ เป็น โครง สร้าง สําหรับ วิธี การ ที่ น่า ทึ่ง:

สุ่ม

ต้น ไม้ ที่ มี ต้น ไม้ หลาย ร้อย ต้น แต่ ละ ต้น ฝึก ด้วย การ จับ คู่ และ ใช้ ชุด ที่ มี ลักษณะ พิเศษ ต่าง ๆ กัน ไป.

ไล่ระดับสี

XGBOKSEST, LightGBM และ Catabest เป็นรายการที่นิยมในวงการเพื่อความเสี่ยงด้านเครดิต พวกเขาสร้างต้นไม้แบบแยกประเภทกัน เรียนรู้จากความผิดพลาดก่อนหน้านี้ โมเดลเหล่านี้มักประสบความสําเร็จในระดับขั้นต้น แม้ว่าต้องใช้ความไวแสงอย่างระวังเพื่อหลีกเลี่ยงการกินมากเกินไป

เปรียบเทียบ

Method	Accuracy	Interpretability	Training Speed
Single Decision Tree	Moderate	Very High	Fast
Random Forest	High	Moderate	Medium
Gradient Boosting	Very High	Low–Moderate	Slow (with tuning)

ธนาคาร หลาย แห่ง เริ่ม ต้น ด้วย ต้น เดียว สําหรับ การ วิเคราะห์ และ อธิบาย อย่าง ละเอียด แล้ว ใช้ แบบ ที่ ได้ รับ การ สนับสนุน สําหรับ การ ตัดสิน ใจ ที่ ให้ ยืม จริง ๆ.

การ ปรับ ปรุง และ การ ปรับ ปรุง ความ จํา

คณะกรรมการการเงิน (เช่น [FLT: 0]] คณะคณะกรรมการบาเซล เรื่อง การธนาคาร [FLT: 1) ต้องการโมเดลความโปร่งใสและความยุติธรรม ต้นไม้ตัดสินใจที่เรียงตามหลักการเหล่านี้ เนื่องจากมีคําอธิบายมาแต่กําเนิด ข้อต้องการของกุญแจรวม:

• [FLT: 0] เอกสารการคมนาคม : กฎแต่ละส่วนต้องถูกบันทึกไว้และถูกต้องตามหลักธรรม
• [FLT: 0] ทดสอบ: แน่ใจว่าต้นไม้ไม่ได้แบ่งแยกกลุ่มอนุรักษ์ (เช่น อายุ เพศ).
• [FLT: 0] การตรวจสอบ: เทียบอัตราปริยายกับผลลัพธ์ที่เกิดขึ้นจริงๆ เมื่อเวลาผ่านไป

[FLT: 0]. ห้องสมุดเช่น XGBEST นําเสนอความสามารถในการอธิบายแบบที่สร้างขึ้น.

รูปแบบการวน

การ ปรับ ปรุง การ ตัดสิน ใจ เรื่อง ต้น ไม้ สําหรับ การ ประเมิน ความ เสี่ยง ของ การ ได้ เงิน ตรา ให้ เป็น วิธี ที่ ชัดเจน และ มี ประสิทธิภาพ ใน การ ประเมิน ค่า ของ ผู้ ยืม การ เก็บ รวบ รวม ข้อมูล, การ จัด การ เรื่อง ต่าง ๆ, การ จัด การ เรื่อง ราว, การ สร้าง และ การ ลิด แขนง ต้น ไม้ และ ข้อ ท้าทาย ต่าง ๆ เช่น การ ทํา งาน เกิน ความ สามารถ และ ความ ไม่ สมดุล ธนาคาร สามารถ สร้าง แบบ จําลอง ที่ ถูก ต้อง และ ถูก ต้อง แม่นยํา ได้ แม้ ว่า ต้น ไม้ ต้น เดียว จะ มี ความ ซับ ซ้อน แต่ ก็ มี ความ ซับ ซ้อน น้อย มาก แต่ ก็ มี พื้น ฐาน ของ ต้น แบบ ที่ มี อิทธิพล ซึ่ง ปัจจุบัน นี้ มี มาตรฐาน ใน อุตสาหกรรม การ เรียน รู้ ที่ จะ พัฒนา ต่อ ไป การ ตัดสิน ใจ ของ ต้น ไม้ ก็ ทํา ให้ แน่ ใจ ว่า มัน จะ เป็น เครื่อง มือ ที่ มี ความ เสี่ยง และ เป็น เครื่อง มือ ที่ มี ความ เสี่ยง เสมอ

2542 สําหรับการอ่านเพิ่มเติม โปรดพิจารณาหนังสือ CART เดิมโดย Briman al (1984) และ [FLT: 0] Risk.net บทความเกี่ยวกับเครดิตสกอร์ร (FLT:1) บทความเกี่ยวกับการประกอบผลงาน (FT:2] เป็นทรัพยากรที่ยอดเยี่ยม (FLT:2].