Platform For AI:Skor kartı modeli ile kredi puanlarını tahmin edin

Arka Plan

Skor kartı, kredi riski değerlendirmesi ve internet finansı için bir modelleme çerçevesidir. Tek bir algoritma yerine, özellik mühendisliğini bölümlenmiş verilere uygular ve ardından doğrusal bir model uydurur.

Uygulama alanları arasında kredi kartı risk değerlendirmesi, kredi kullandırma, müşteri hizmeti puanlama ve Sesame Credit gibi kredi puanlama sistemleri yer alır.

Ön Koşullar

• Bir çalışma alanı oluşturdunuz. Daha fazla bilgi için bkz. Çalışma alanları oluşturma ve yönetme.

• MaxCompute kaynaklarını çalışma alanınızla ilişkilendirdiniz. Daha fazla bilgi için bkz. Çalışma alanları oluşturma ve yönetme.

Veri Kümesi

Bu işlem hattı; cinsiyet, eğitim, medeni durum ve yaş gibi kullanıcı demografik bilgilerini, işlem geçmişini ve fatura ekstrelerini içeren 30.000 kayıttan oluşan genel bir veri kümesini (Veri kümesini indirin) kullanır.

Skor kartı işlem hattını oluşturun ve çalıştırın

1. Makine Öğrenimi Designer sayfasına gidin.

   1. PAI console adresinde oturum açın.

   2. Sol gezinme bölmesinde, Workspaces öğesine tıklayın. Workspaces sayfasında, yönetmek istediğiniz çalışma alanının adına tıklayın.

   3. Sol gezinme bölmesinde, Model Training > Visualized Modeling (Designer) seçeneğini belirleyin.

2. İşlem hattını oluşturun.

   1. Designer sayfasında, Preset Templates sekmesine tıklayın.

   2. Preset Templates sayfasında, Credit Consumption Analysis Based on Scorecard altında Create öğesine tıklayın.

   3. Create Pipeline iletişim kutusunda parametreleri yapılandırın. Tüm parametreler için varsayılan ayarları kullanabilirsiniz.

      Data Storage parametresi, işlem hattı çalışması sırasında oluşturulan geçici verileri ve modelleri depolamak için bir OSS Bucket yolunu belirtir.

   4. Confirm öğesine tıklayın.

      İşlem hattının oluşturulması yaklaşık 10 saniye sürer.

   5. Pipelines sekmesinde, işlem hattını açmak için Credit Consumption Analysis Based on Scorecard öğesine çift tıklayın.

   6. Sistem, önceden ayarlanmış şablondan işlem hattını oluşturur.

      

      Alan	Açıklama
      ①	Veri kümesini eğitim ve tahmin kümelerine böler.
      ②	Binning bileşeni, verileri dağılım aralığına göre yüksek boyutlu özelliklere eşler; bu işlem one-hot encoding benzeridir. İşlem hattı tamamlandıktan sonra Binning-1 öğesine sağ tıklayın ve Binning seçeneğini belirleyin. Yapılandırma panelinde, bölüm ayrıntılarını görüntülemek için bir özellik adına (örneğin, age) tıklayın. Bölüm ayrıntıları tablosu, bir özellik için 10 bölüm gösterir ((-inf,25] ile (49,+inf) arasında) ve her bölüm için aşağıdaki bilgileri içerir: Label: Bölüm aralık sınırı Constrain: Kısıtlama koşulları (Operator ve Value), varsayılan olarak ayarlanmamıştır WOE: Her bölüm için WOE değerleri (ör. 0.250, -0.091, -0,114) Number: Total, Positive ve Negative örnek sayıları (ör. satır 0: Total=3138, Positive=845, Negative=2293) Alan başına bölümleme aralıklarını görüntülemek için Binning-1 öğesine sağ tıklayın ve View Data > Binning Result Output seçeneğini belirleyin. Özellik bölümleme özeti tablosu, tüm 21 özellik (sex, education, marriage, limit_bal, age, pay_0–pay_6, bill_amt1–bill_amt6, pay_amt1–pay_amt6) için bölümleme sonuçlarını gösterir; her özellik aşağıdaki anahtar alanları içeren bir JSON segmentiyle temsil edilir: iv: Bilgi Değeri (Information Value) (ör. sex = 0,003556, limit_bal = 0,075548, pay_0 = 0,046904) n: Örnek sayısı p: Pozitif örnek sayısı prate: Pozitif örnek oranı total: Toplam örnek sayısı
      ③	Bölme/bölümleme öncesi ve sonrası örnek kararlılığını karşılaştırır ve özellik başına Nüfus Kararlılık İndeksi (PSI) döndürür. İşlem hattı çalıştıktan sonra PSI-1 öğesine sağ tıklayın ve ayrıntıları görüntülemek için View Data > Output seçeneğini belirleyin. PSI, dağılım kaymasını nicelendirir. Özellik başına PSI, tüm bölümler üzerinden toplamdır: 0,1'in altı önemsiz değişiklik, 0,1–0,25 orta düzeyde değişiklik, 0,25'in üzeri ise inceleme gerektiren önemli değişikliktir.
      ④	Skor kartı eğitimi. İşlem hattı çalıştıktan sonra sonuçları görüntülemek için Scorecard Training-1 öğesine sağ tıklayın ve View Data > Output Training Result Table seçeneğini belirleyin. Skor kartı modeli çıktı sonuç tablosu, üç özellik için bölümleme istatistiklerini gösterir: sabit terim (intercept), pay_0 (bölmeler (-inf,-1], (-1,0], (0,1], (1,2], (2,+inf) dahil olmak üzere toplam 8 satır) ve limit_bal ((-inf,30000] ile (360000,+inf) arasında toplam 11 satır). Sütunlar arasında weight, scaled_weight ve contribution ile birlikte feaname, binid, bin, constraint, woe, total, positi, negativ, percentage_pos, percentage_neg, in_mode, test_woe ve test_contribution yer alır. Skor kartı, model ağırlıklarını iş dostu puanlara dönüştürür. Anahtar parametreler: weight: Orijinal ağırlık değeri. Scaled_weight: Bölüm başına puan değişimi. Örneğin, pay_0 için: (-1,0] aralığındaki değerler puanı 29 azaltır; (0,1] aralığındaki değerler ise 27 artırır. contribution: Sonuç üzerindeki özellik etkisi. Daha büyük değerler daha büyük etkiyi gösterir.
      ⑤	Kredi puanlarını tahmin eder ve model performansını değerlendirir.

3. İşlem hattını çalıştırın ve sonuçları görüntüleyin.

   1. Tuvalin üst kısmındaki çalıştırma simgesine tıklayın.

   2. İşlem hattı tamamlandıktan sonra, kredi puanlarını görüntülemek için Scorecard Prediction-1 öğesine sağ tıklayın ve View Data > Output seçeneğini belirleyin.

      Çıktı sonuçları aşağıdaki alanları içerir:

      • payment_next_month: Gelecek ayki ödeme davranışı etiketi (0 veya 1)

      • prediction_score: Kredi puanı (ör. 685, 525)

      • prediction_prob: Tahmin olasılığı

      • prediction_detail: Her sınıf için ayrıntılı olasılık (JSON formatında, sınıf 0 ve sınıf 1 için olasılıkları içerir)