Platform For AI:Pelatihan Scorecard

Rekayasa fitur

Perbedaan utama antara pelatihan scorecard dan pemodelan linier standar adalah bahwa pelatihan scorecard menerapkan rekayasa fitur sebelum menyesuaikan model. Komponen Binning mendukung dua pendekatan:

• One-hot encoding: Mengelompokkan setiap variabel dan menghasilkan N variabel dummy (N = jumlah bin). Anda dapat menerapkan kendala pada masing-masing variabel dummy.

• Konversi WOE: Mengganti nilai variabel asli dengan nilai weight of evidence (WOE) dari bin-nya. Hal ini menyandikan informasi prediktif langsung ke dalam fitur.

Transformasi skor

Dalam penilaian kredit, prediksi mentah model (log-odds) harus dikonversi menjadi skor yang dapat diinterpretasikan. Pelatihan Scorecard menerapkan transformasi linier menggunakan tiga parameter:

Ketiga parameter ini menentukan dua titik pada garis skor. Sebagai contoh, dengan scaledValue=800, odds=50, dan pdo=25:

log(50)  = a × 800 + b
log(100) = a × 825 + b

Selesaikan untuk a dan b guna memperoleh pemetaan linier, lalu terapkan untuk mentransformasikan bobot model menjadi skor.

Teruskan konfigurasi transformasi menggunakan parameter -Dscale dalam format JSON:

{"scaledValue": 800, "odds": 50, "pdo": 25}

Ketiga field wajib diisi jika parameter -Dscale ditentukan.

Kendala

Selama pelatihan, Anda dapat menambahkan kendala untuk mengontrol cara bobot variabel dipelajari. Tentukan kendala di komponen Binning — kendala tersebut akan secara otomatis diteruskan ke Pelatihan Scorecard sebagai string JSON yang disimpan dalam tabel satu sel (inputConstraintTableName).

Jenis kendala yang didukung:

Contoh JSON kendala (satu baris, satu kolom dalam tabel kendala):

{
    "name": "feature0",
    "<": [[0, 1, 2, 3]],
    ">": [[4, 5, 6]],
    "=": ["3:0", "4:0.25"],
    "%": [["6:1.0", "7:1.0"]]
}

Kendala bawaan: Untuk setiap variabel, skor rata-rata pada populasi pelatihan selalu 0. Akibatnya, nilai scaled_weight pada intercept sama dengan skor rata-rata populasi di seluruh variabel.

Algoritma optimisasi

Pada tab Parameters Setting, pilih Advanced Options untuk mengonfigurasi algoritma optimisasi.

Jika Anda tidak familiar dengan algoritma optimisasi, atur Optimization Method ke Auto Selection. Sistem akan memilih algoritma paling tepat berdasarkan volume data dan keberadaan kendala.

Pemilihan fitur

Komponen ini mendukung pemilihan fitur secara bertahap (stepwise) — kombinasi dari seleksi maju (forward) dan mundur (backward). Setelah setiap langkah maju (menambahkan variabel), proses mundur menghapus variabel yang tidak lagi memenuhi ambang batas signifikansi.

Gunakan tabel berikut untuk memilih standar seleksi yang tepat untuk konfigurasi Anda:

Marginal contribution mengukur selisih nilai fungsi objektif antara model dengan dan tanpa variabel X. Standar ini berlaku untuk semua kombinasi rekayasa fitur dan jenis model, sehingga merupakan standar paling fleksibel.

Score test (majuan): Pada setiap iterasi, chi-square skor setiap variabel kandidat dihitung. Variabel dengan chi-square tertinggi ditambahkan, asalkan nilai-p-nya di bawah SLENTRY. Proses mundur menggunakan chi-square Wald; variabel dengan nilai-p di atas SLSTAY dihapus.

F test (majuan): Mirip dengan score test tetapi menggunakan distribusi F. Nilai F dihitung untuk setiap variabel kandidat; variabel dengan nilai-p di atas SLENTRY dikecualikan. Proses mundur menerapkan logika nilai F yang sama.

Pemilihan variabel paksa: Tentukan variabel yang harus disertakan tanpa syarat — tidak ada seleksi maju atau mundur yang diterapkan pada variabel tersebut. Konfigurasikan ini menggunakan parameter -Dselected:

{"max_step": 2, "slentry": 0.0001, "slstay": 0.0001}

Jika parameter -Dselected dibiarkan kosong atau max_step diatur ke 0, tidak ada pemilihan fitur yang dilakukan.