Comments 16
Вы тут описали вначале что политика банка возвращать кредиты и спрогнозировать это, А как вы в нейронную модель загнали коллекторский отдел?
0
Спасибо за статью!
Скажите, пожалуйста, правда ли, что в моделях кредитного скоринга не используются признаки, которые могут внести в модель дискриминирующий bias (например, пол и национальность)?
Скажите, пожалуйста, правда ли, что в моделях кредитного скоринга не используются признаки, которые могут внести в модель дискриминирующий bias (например, пол и национальность)?
+2
В статье речь о корпоративных клиентах, но в целом для нас проблемы дискриминирующих признаков неактуальны.
+1
Спасибо за ответ.
А по какой причине? Вы считаете, что использование подобных признаков корректно, или ни один подобный признак не сработал для вас как хороший предиктор, и поэтому вам просто неважна эта проблема?
но в целом для нас проблемы дискриминирующих признаков неактуальны.
А по какой причине? Вы считаете, что использование подобных признаков корректно, или ни один подобный признак не сработал для вас как хороший предиктор, и поэтому вам просто неважна эта проблема?
+2
Потому что у корпоративных клиентов нет в явном виде признаков, которые могут быть восприняты как дискриминационные (юридическое лицо не имеет пола, национальности, цвета кожи и пр.)
+1
Я понимаю, но вы написали:
И вторая часть воспринимается так, будто проблемы нет и для не корпоративных клиентов.
Или я неправильно понял?
В статье речь о корпоративных клиентах, но в целом для нас проблемы дискриминирующих признаков неактуальны.
И вторая часть воспринимается так, будто проблемы нет и для не корпоративных клиентов.
Или я неправильно понял?
0
Жаль для физиков нет, а то очень удивляют звонки от call-центра с заманчивыми предложениями, которые явно основаны «не на тех данных».
0
А детали самой модели покажите? Какие методы, как потимизировались, тестировались, отбирались переменные, какие результаты? Без этого не очень похоже на тему для хаба Машинное обучение…
0
Модель базируется на ФКР (факторах кредитного риска), которые мы (как банк) раскрывать не можем. В посте же речь скорее об инфраструктуре для эффективного построения моделей data science аналитиками, которые работают в рисках.
0
Так никто не просить расскрывать сами факторы или их веса. Как проводился отбор факторов, инжиниринг, по каким метрикам. Какой тип модели: регрессия, RF, сеть и т.д.
Если уж в заголовке упомянули Джини, то хоть итоговое значение напишите.
Если уж в заголовке упомянули Джини, то хоть итоговое значение напишите.
0
В большинстве случаев ФКР разрабатываются на основе экспертных суждений, и впоследствии тестируются в рамках моделей прогнозирования дефолтов. Основной инструмент (алгоритм) для моделирования – обычная логрегресссия, что позволяет получить интерпретируемые результаты. Мы в рамках пилота пробовали различные алгоритмы (случайный лес, градиентный бустинг), которые позволяют улучшить качество моделей (+несколько пунктов Джини), но при этом модель теряет в интерпретируемости.
0
Интересная статья. Вопрос насчет эффективности решения.
Не нашел у решения анализ эффективности и коррекцию алгоритмов.
В банковском кредитовании «action plan» (US market), т.е. работа над ошибками и коррекция процессов — обязательный этап. У вас этот этап не описан. Это для простоты описания или не внедрено?
Не нашел у решения анализ эффективности и коррекцию алгоритмов.
В банковском кредитовании «action plan» (US market), т.е. работа над ошибками и коррекция процессов — обязательный этап. У вас этот этап не описан. Это для простоты описания или не внедрено?
0
Sign up to leave a comment.
Машинное обучение против кредитных рисков, или «давай, Джини, давай»