Модели
# | Модель | Источники | AUC ROC | Статус | |
---|---|---|---|---|---|
1 |
Модель кредитного скоринга. Градиентный бустинг v3
Обучена 10.12.2019 |
|
|
АктивнаОбучена | Подробнее |
2 |
Модель кредитного скоринга. Градиентный бустинг v2
Обучена 04.12.2019 |
|
|
Обучена | Подробнее |
3 |
Модель кредитного скоринга. Градиентный бустинг v1
Обучена 21.06.2019 |
|
|
Обучена | Подробнее |
Метрики модели
Accuracy: Доля верного определения класса во всей выборке. |
0.948 |
---|---|
AUC ROC Area Under Receiver Operating Characteristics curve. Насколько модель способна находить отличия между классами. |
0.8102 |
Precision Точность. Какая доля заявок предсказанного класса действительно относилась к этому классу. |
0.67 |
Recall Полнота. Какая доля заявок этого класса была корректно предсказана. |
0.056 |
Оценить модель заново
Рассчитать метрики качества модели на основе случайной выборки из исторических данных для валидации
Интерпретация алгоритма
Для оценки значимости признака используются SHAP значения.
Значение на шкале Х - модуль среднего изменение результата модели при удалении определенного признака.
Источники данных
ID | Система | Тип данных | Описание данных | Интерфейс |
---|---|---|---|---|
1001 | SAP S4/HANA | Транзакционные | История заявок на кредит | OData |
1002 | Кредитное бюро | исторические, xml, веб-сервис | Кредитная история наших клиентов | HTTP REST API |
1005 | BW | исторические, реляционная модель | История выплат по кредитам | BEx Connector |
1006 | HDFS | исторические, файлы | История баланс кредитной карты | RPC, чтение csv, tsv файлов |
Метрики модели
Accuracy: Точность предсказания. Доля верного определения класса во всей выборке. |
0.931 |
---|---|
AUC ROC Area Under Receiver Operating Characteristics curve. Насколько модель способна находить отличия между классами. |
0.738 |
Precision Точность. Какая доля заявок предсказанного класса действительно относилась к этому классу. |
0.53 |
Recall Полнота. Какая доля заявок этого класса была корректно предсказана. |
0.053 |
Оценить модель заново
Рассчитать метрики качества модели на основе случайной выборки из исторических данных для валидации
Источники данных
ID | Система | Тип данных | Описание данных | Интерфейс |
---|---|---|---|---|
1001 | SAP S4/HANA | Транзакционные | История заявок на кредит | OData |
1002 | Кредитное бюро | исторические, xml, веб-сервис | Кредитная история наших клиентов | HTTP REST API |
1005 | BW | исторические, реляционная модель | История выплат по кредитам | BEx Connector |
Метрики модели
Accuracy: Точность предсказания. Доля верного определения класса во всей выборке. |
0.925 |
---|---|
AUC ROC Area Under Receiver Operating Characteristics curve. Насколько модель способна находить отличия между классами. |
0.712 |
Precision Точность. Какая доля заявок предсказанного класса действительно относилась к этому классу. |
0.54 |
Recall Полнота. Какая доля заявок этого класса была корректно предсказана. |
0.051 |
Оценить модель заново
Рассчитать метрики качества модели на основе случайной выборки из исторических данных для валидации
Источники данных
ID | Система | Тип данных | Описание данных | Интерфейс |
---|---|---|---|---|
1001 | SAP S4/HANA | Транзакционные | История заявок на кредит | OData |
1002 | Кредитное бюро | исторические, xml, веб-сервис | Кредитная история наших клиентов | HTTP REST API |