信用評分管理模式(文件)
【正文】 圖2 描述與可視化結(jié)果 正如先前提及的，描述與可視化對于理解數(shù)據(jù)以及在初始建模過程中發(fā)現(xiàn)模式、趨勢以及關(guān)系是非常有用的。盡管有些結(jié)果沒有顯示，仍然主要注意的是，%的客戶為女性，%為已婚。需要注意的是，在圖表中我們使用了信用風(fēng)險(xiǎn)狀況這個變量來交疊，反映目標(biāo)變量的相關(guān)的可視化結(jié)果。如果聯(lián)系低于我們設(shè)置的某個門限，就不會顯現(xiàn)在網(wǎng)絡(luò)圖中（比如良好風(fēng)險(xiǎn)與婚姻狀況）。特別的，Logistic回歸、神經(jīng)網(wǎng)絡(luò)、決策樹都能夠用于購建信用評分模型。 圖4和圖5顯示了分別由Clementine中的Logistic回歸節(jié)點(diǎn)、神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)、神經(jīng)網(wǎng)絡(luò)模型以及決策樹模型的部分結(jié)果。關(guān)于模型的詳細(xì)的結(jié)果匯總在圖4的右邊。關(guān)于決策樹模型的一個圖形化的描述展示在圖6中。 圖5最后，圖5顯示了神經(jīng)網(wǎng)絡(luò)模型，在模型中輸入層有九個神經(jīng)元 （也就是四個連續(xù)變量和三個分類變量），隱含層有三個神經(jīng)元，輸出層有三個神經(jīng)元（也就是風(fēng)險(xiǎn)狀況——有害損失、有害利潤、良好風(fēng)險(xiǎn)）。 但是，由于依據(jù)在構(gòu)建/訓(xùn)練數(shù)據(jù)集上的三個模型的性能是向上有偏的 （由于相同的觀察值被用于模型的構(gòu)建與模型的評估），所以需要依賴評價(jià)/檢驗(yàn)數(shù)據(jù)集來評價(jià)模型的性能是非常重要的。但是同樣要注意的是，決策樹模型比較容易解釋， 就如在圖6中所反映的簡單的規(guī)則證實(shí)的一樣。因而，樣本將會是有偏的（也就是不同于一般總體），其中良好的客戶大大的得到了表現(xiàn)。對于信用評分，這就意味著過去的那些隨后被分成好與壞債權(quán)人的申請者的特征能夠用于預(yù)測新的申請者的信用狀況。這可能并不足以評價(jià)一個人的信用價(jià)值性。同樣，信用評分報(bào)告中流行的錯誤既會使得客戶處于損失狀態(tài)，而且也使得信用提供者處于金融風(fēng)險(xiǎn)中（Collins，2003）。 信用評分其中一個結(jié)果是，終端用戶出現(xiàn)在技術(shù)上變得非常依賴的可能性，他們縮減了謹(jǐn)慎判斷的需求，并且在一些特殊情況下才運(yùn)用他們的知識。如此的得分“打磨”行動可能扭曲信用違約的模式。通常，少數(shù)民族比白人申請者的信用得分低。需要正視的是，適當(dāng)?shù)厥褂眯庞迷u分的企業(yè)組織將贏得重要的戰(zhàn)略優(yōu)勢以及超過競爭對手的競爭優(yōu)勢。在觀察到的與未觀察到的屬性之間存在某種關(guān)系。但是，當(dāng)存在與種族和收入高度關(guān)聯(lián)的信用信息的其他的屬性是這是不可避免的。這會陷入自我完成預(yù)言的風(fēng)險(xiǎn)（Lucas，2002）。然而，那些擁有還沒有收集到任何信用活動的新的申請者的債權(quán)人可能就不能夠使用信用評分來評價(jià)這些客戶的信用價(jià)值。但是，信用違約可能是由那些諸如雇用狀況和現(xiàn)在的經(jīng)濟(jì)狀況等未觀察到的（未測量的）特征所驅(qū)使的。 另一個在預(yù)測性模型中比較流行的問題是，模型中重要變量或?qū)傩缘娜笔Вˋvery et al.,2000）。 建立信用評分模型時(shí)可能產(chǎn)生的第二個問題是，隨著時(shí)間的過去，模式在發(fā)生變化。當(dāng)構(gòu)建信用評分模型是可能產(chǎn)生的一個主要的問題時(shí)，模型可能建立在一個有偏的已獲信用準(zhǔn)許的用戶或客戶樣本數(shù)據(jù)基礎(chǔ)上（Hand，2001）。 因此，決策樹模型的預(yù)測性能才是最為準(zhǔn)確的，緊跟著是神經(jīng)網(wǎng)絡(luò)模型和Logistic回歸模型。%，同樣對于我們本文的例證來講也可以認(rèn)為是足夠的了。例如，良好風(fēng)險(xiǎn)信用卡持有者可能是那些年收入高于25049美元并且不超過一個子女的信用卡客戶以及那些收入雖然低于25049美元但是39歲以上且單身的信用卡持有者。對于我們本文的例證來講可以認(rèn)為是足夠的了。 另外，正如圖4左下部分所顯示的，以下所列的輸入變量在預(yù)測信用風(fēng)險(xiǎn)上在統(tǒng)計(jì)上是顯著的：年齡、年收入、子女?dāng)?shù)目、其他信用卡持有情況、婚姻狀況、是否持有未完結(jié)的抵押貸款。為了簡化，我們假設(shè)模型的完全準(zhǔn)確率是衡量各個預(yù)測性模型的主要的性能指標(biāo)。正如早前提及的，描述與可視化對于建模來講是有用的。最后，利用Clementine中的網(wǎng)絡(luò)節(jié)點(diǎn)可以繪制
公司管理相關(guān)推薦
鄂ICP備17016276號-1