信用評(píng)分管理(文件)
【正文】 中等程度的關(guān)聯(lián)，與女性、已婚信用卡持有者有著弱相關(guān)聯(lián)。在實(shí)施預(yù)測(cè)性建模之前，樣本數(shù)據(jù)首先要被分割為構(gòu)建 /訓(xùn)練樣本集（大約占 75%的數(shù)據(jù)）和評(píng)價(jià) /檢驗(yàn)樣本集（大約占 25%的數(shù)據(jù)）。 Logistic 回歸結(jié)果說(shuō)明了模型在統(tǒng)計(jì)上是顯著的（基于 的置信水平）。最后，對(duì)于 Logistic 回歸模型，完全準(zhǔn)確率為 %。 正如我們所看到的，決策樹(shù)既可以非常直觀(guān)的解釋?zhuān)部梢愿鶕?jù)規(guī)則進(jìn)行解釋。在神經(jīng)網(wǎng)絡(luò)中，在輸入層中輸入變量的重要性以降序的方式排列為：年收入、持有其他信用卡數(shù)目、婚姻狀況、年齡、子女?dāng)?shù)目、是否有未完結(jié)的抵押貸款以及性別。 相關(guān)結(jié)果匯總?cè)缦拢?Logistic 回歸模型為 %，決策樹(shù)模型為 %，神經(jīng)網(wǎng)絡(luò)模型為 %。 中國(guó)最大的資料庫(kù)下載 中國(guó)最大的資料庫(kù)下載 圖 6 信用評(píng)分的局限性 在這里的結(jié)論部分，我們討論一下信用評(píng)分的局限性同樣也是適合的。使用這一樣本得到的信用評(píng)分模型通常將無(wú)法在完全的總體中表現(xiàn)良好，因?yàn)橛糜谫?gòu)建模型的數(shù)據(jù)與將模型應(yīng)用到的數(shù)據(jù)存在差異。有時(shí)，隨著時(shí)間流逝客戶(hù)特征分布的趨勢(shì)變化是如此快速，以至于需要不斷的更新信用評(píng)分模型來(lái)保持恰當(dāng)性。在本文的展示性信用評(píng)分模型中，某申請(qǐng)者的信用等級(jí)被預(yù)測(cè)為壞的，如果他或她的屬性與壞的客戶(hù)的觀(guān)察得到的特征相似。 與上面談到的相關(guān)的是，信用評(píng)分的使用必須要求在客戶(hù)的信用得分得到計(jì)算之前，單個(gè)客戶(hù)擁有足夠的信用歷史和活動(dòng)。在其他情形下，終端使用者無(wú)意識(shí)的應(yīng)用超過(guò)必需的資源來(lái)作用于全部的資產(chǎn)組合。 最后，在保 險(xiǎn)領(lǐng)域，批評(píng)家們斷言信用信息會(huì)被誤用，并且在某些場(chǎng)合會(huì)變成唯一的決定性的，并且可能是對(duì)那些無(wú)法用于設(shè)定保險(xiǎn)費(fèi)率的種族和收入數(shù)據(jù)的替代品。評(píng)分行業(yè)代表聲稱(chēng)這是因?yàn)橛绊懡杩钫邼M(mǎn)足融資契約能力的因素諸如收入、財(cái)產(chǎn)、教育和雇傭情況在美國(guó)并不是依據(jù)種族或民族血統(tǒng)而平等分布的（ Wasserman， 20xx）。 。 除了上面 強(qiáng)調(diào)的局限性之外，毫無(wú)疑問(wèn)的是，信用評(píng)分將繼續(xù)會(huì)成為在客戶(hù)借貸中預(yù)測(cè)信用風(fēng)險(xiǎn)的主要工具。在信用評(píng)分中，用戶(hù)會(huì)抱怨信用評(píng)分是有歧視的。在美國(guó)，出現(xiàn)了新的行業(yè)，他們致力于幫助借款者通過(guò)重新整理資金來(lái)提升評(píng)分（ Timmons， 20xx），而不僅僅是遵循簡(jiǎn)單的規(guī)則：準(zhǔn)時(shí)支付賬單并且保持低額的債務(wù)。據(jù)報(bào)道已經(jīng)發(fā)生了類(lèi)似保險(xiǎn)的新申請(qǐng)者立刻被拒絕的 例子（ Eldred，20xx）。進(jìn)一步，信用評(píng)分的準(zhǔn)確度比較關(guān)鍵的依賴(lài)于用于購(gòu)建模型的數(shù)據(jù)與構(gòu)建得到的模型被用到的數(shù)據(jù)情況。信用評(píng)分模型主要使用的是個(gè)人支付與信用歷史的信息數(shù)據(jù)。對(duì)于任何預(yù)測(cè)性模型的關(guān)鍵假設(shè)是，過(guò)去或者歷史能夠預(yù)測(cè)未來(lái)（ Berry and Linoff， 20xx）。這可能發(fā)生主要是因?yàn)椋切┍痪芙^的申請(qǐng)者可 能不會(huì)包含在構(gòu)建模型的數(shù)據(jù)庫(kù)中，因此就沒(méi)有機(jī)會(huì)來(lái)確知他們的信用價(jià)值性。因此，依據(jù)我們的評(píng)價(jià)標(biāo)準(zhǔn)，決策樹(shù)模型是最好的（冠軍）預(yù)測(cè)模型，并且能夠用于我們對(duì)信用卡申請(qǐng)者進(jìn)行信用風(fēng)險(xiǎn)的預(yù)測(cè)。 從上面展示的模型的結(jié)果我們可以注意到， 神經(jīng)網(wǎng)絡(luò)模型是最為準(zhǔn) 確的。決策樹(shù)模型的完全準(zhǔn)確率為 %， 對(duì)于我們本文的例證來(lái)講也可以認(rèn)為是足夠的了。 中國(guó)最大的資料庫(kù)下載 中國(guó)最大的資料庫(kù)下載 圖 4 圖 5（左邊部分）顯示了一個(gè)相對(duì)簡(jiǎn)單的決策樹(shù)模型，擁有九個(gè)最終節(jié)點(diǎn) （預(yù)測(cè)有害損失、有害利潤(rùn)和良好風(fēng)險(xiǎn)）和五個(gè)重要的輸入變量：年收入、年齡、子女?dāng)?shù)目、持有其他信用卡數(shù)目以及婚姻狀況 。性別在統(tǒng)計(jì)上是不顯著的。也就是說(shuō)，完全準(zhǔn)確率是評(píng)價(jià)每個(gè)模型以及在模型間進(jìn)行比較的標(biāo)準(zhǔn)。 預(yù)測(cè)模 型結(jié)果 在本文是用數(shù)據(jù)挖掘技術(shù)進(jìn)行信用評(píng)分應(yīng)用的展示中，預(yù)測(cè)性建模是最為重要的分析。其中聯(lián)系越為強(qiáng)烈的關(guān)系用更粗的線(xiàn)條來(lái)表示。 圖 3 中國(guó)最大的資料庫(kù)下載 中國(guó)最大的資料庫(kù)下載 在 Clementine 中使用散點(diǎn)圖節(jié)點(diǎn)與直方圖節(jié)點(diǎn)來(lái)可視化數(shù)據(jù)，關(guān)于年齡與年收入的散點(diǎn)圖以及直方圖展現(xiàn)了客戶(hù)年齡與收入之間的相關(guān)關(guān)
公司管理相關(guān)推薦
鄂ICP備17016276號(hào)-1