會員
信用卡違約數(shù)據(jù)的錯誤率
將LDA(Linear Discriminant Analysis) 模型運用在信用卡客戶違約記錄數(shù)據(jù)集，根據(jù)一個人的信用卡余額和學生身份預測其「是否違約」
LDA對于10000個訓練樣本進行擬合，得到混淆矩陣矩陣 (Confusion Matrix):
LDA的預測總錯誤率很低,
然而，「信用卡公司的目標」是想辨別出高違約風險人群
對于真實違約的333個人，LDA的預測錯誤率高達 ！
需要「改進LDA」使其更好滿足信用卡公司的需求
改進: 降低信用卡違約判定閾值
貝葉斯分類器的原理是將一個數(shù)據(jù)點, , 歸到后驗概率? 最大的類別? 中, 在判斷一名用戶違約(default=Yes)或者不違約(default=No)的時候, 我們通常將計算結果：
的客戶? 歸為違約,
我們希望降低把違約者歸為不違約的錯誤概率, 可以通過降低閾值0.5到0.2:
如此,信用卡公司可以「更精準地判定真實的違約者」從而「降低損失」
將違約者歸為未違約者的錯誤率從?
但也因此把許多未違約者歸為違約者
「利大于弊」：得病未發(fā)現(xiàn)比沒病誤診的危害更大，因為后者在繼續(xù)診斷后可以糾正，而前者可能因此錯過最佳醫(yī)治時間，所以要降低前者的錯誤率！
權衡 Trade-off
我們可以通過降低閾值, 使得違約者被錯誤分類的比例平穩(wěn)減少, 「代價便是」未違約者的分類錯誤率逐漸增加, 如何權衡？
領域知識（Domain Knowledge）:
如違約成本的具體信息
模型評估
ROC曲線是一種選擇最優(yōu)模型和同一模型的最優(yōu)閾值的工具, ROC 可以同時展示出所有可能閾值出現(xiàn)的兩類比例:
「真陽性率(True Positive Rate)」: 也稱為靈敏度(Sensitivity),即給定閾值下, 違約者被正確判別為違約者的比例
「假陽性率(False Positive Rate)」: 也被稱為1-特異度(Specificity), 同樣閾值下, 未違約者被錯誤判別為違約者的比例
AUC是ROC曲線下面的面積, 表示分類器的性能表現(xiàn)，AUC越大, 分類器效果越好
理想的ROC曲線會緊貼左上角, 即高的真陽性率, 低的假陽性率
分類和診斷測試的評價指標
用流行病學的表述方式
“”：“疾病”, 需要被檢測的數(shù)據(jù)
"" : "無病"
FP/N: 未違約者被錯誤分類的比例
TP/P: 違約者被正確分類的比例
TP/P*:違約者占模型總預測違約者比例
Precision: 模型精確度
TN/N*:未違約者占模型總預測未違約者比例
債務問題免費咨詢，老師微信：xys8775(點擊復制微信號)
回復“債務逾期”
精彩評論
因為給爸爸治病欠下各種貸款、銀行四十多萬，家里還有一個沒有斷奶的孩子?，F(xiàn)在妹妹已經(jīng)請假照顧爸爸了。我該怎么辦。。。我真的好痛苦
1小時前 贊 834
銀河里的魚： 我已經(jīng)上岸一個月了，負債已經(jīng)折磨了我兩年。每天都是各種催收和起訴電話，搞的頭都大了。一個月前加了這上面的一個老師，老師給我分析了我的債務問題，還幫我做了債務規(guī)劃。問題就這么解決了，只需要每月還很少很少的一部分。催收和起訴電話也沒，都很難相信會這么簡單。
抹茶姑娘： 讓別人幫忙債務規(guī)劃真的有用嘛？你說的這個老師的微信號是多少？
銀河里的魚： 我覺得挺特別的，他幫我解決了我兩年的債務問題。我加的那個老師的微信是：xys8775(點擊復制微信號)
抹茶姑娘： 真的很感謝，我已經(jīng)加了老師的微信，老師挺有耐心的，正在幫我分析我的債務問題。
銀河里的魚： 不客氣，祝你早日上岸
我欠不到10萬 就感覺對前路已經(jīng)很渺茫了，天天還有人提著我，現(xiàn)在的我就像一拳被打進了墻里，不是出不來，是不想出來了。
一天前 贊 7
我法院的律師函到收到了，剛好咨詢了老師給了我一個方案，庭前達成個5年的分期還款協(xié)議，感謝老師，大家只要有希望，就不放棄！
一天前 贊 501
不想要的都扔掉： 恭喜你如愿啊，希望我也如愿，剛剛被催，在考慮要不要咨詢一下
土星國： 你好 我現(xiàn)在也是這種情況，準備說要去法院起訴我，壓力很大 能不能把聯(lián)系方式給我
往事隨風去： 可以的呀，老師的微信號：xys8775(點擊復制微信號)