Prezicerea trenului Evaluează elementele de bază | R-BLOGGERS

Motivația predicției riscului

Clienții care nu rambursează împrumutul distribuit la timp reprezintă un risc enorm pentru o bancă: în primul rând, deoarece creează un decalaj neintenționat în planificarea băncii și în al doilea rând, deoarece colectarea sumei de rambursare provoacă în plus timp și cost suplimentar pentru bancă.

Pe de altă parte, (ratele dobânzii pentru) împrumuturi sunt un flux important de venituri pentru bănci. Dacă împrumutul unei persoane este respins, chiar dacă ar fi îndeplinit termenele limită de rambursare, veniturile se pierd, precum și potențialele oportunități de abordare.

Prin urmare, băncile sunt foarte interesate de un model de predicție a riscurilor care prezice cu exactitate riscul viitorilor clienți. Aici intră în joc modelele de învățare supravegheate.

Prezentare generală a datelor

n = 1.000 de observații ale clienților băncilor

• credit_risk: Clientul este un risc de credit bun sau prost?
• age: vârsta în ani
• amount: suma solicitată de solicitant
• credit_history: Istoricul de credit trecut al solicitantului la această bancă
• duration: durata creditului în luni
• employment_duration: angajarea actuală de atunci
• foreign_worker: Este muncitor străin solicitant?
• housing: tip de apartament închiriat, deținut, gratuit / fără plată
• installment_rate: rata de rate în procent din venitul disponibil
• job: Informații curente ale jobului
• number_credits: Numărul de credite existente la această bancă
• other_debtors: Alți debitori/garanți prezenți?
• other_installment_plans: Alte planuri de tranzacție pe care le plătește solicitantul
• people_liable: Numărul de persoane care pot oferi întreținere
• personal_status_sex: Combinația de sex și statutul personal al solicitantului
• present_residence: Reședința prezentă de atunci
• property: proprietăți pe care le are solicitantul
• purpose: motivul pentru care clientul solicită un împrumut
• savings: Conturi/obligațiuni de economii la această bancă
• status: starea/soldul contului de verificare la această bancă
• telephone: Există vreun telefon înregistrat pentru acest client?

Preprocesare

Mai întâi încărcăm datele din rchallenge Pachet (poate fi necesar să -l instalați mai întâi) și să obțineți o scurtă privire de ansamblu.

# install.packages("rchallenge")
library("rchallenge")
data("german")
skimr::skim(german)

Împărțiți datele în datele de instruire și testare

Sarcina dvs. este să împărțiți german Set de date în date de formare de 70 % și date de testare 30 % prin eșantionarea aleatorie a rândurilor. Ulterior, vom folosi datele de instruire pentru a învăța un model ML și vom folosi datele de testare pentru a evalua performanța acestuia.

# Sample ids for training and test split
set.seed(100L)
train_ids = sample(row.names(german), 0.7*nrow(...))
test_ids = setdiff(..., train_ids)

# Create two datasets based on ids
train_set = german(...,)
test_set = german(...,)

Creați o sarcină de clasificare

Instalați și încărcați mlr3verse Pachet care este o colecție de mai multe pachete suplimentare în mlr3 Univers (dacă nu reușești să te instalezi mlr3verseîncercați să instalați și să încărcați doar mlr3 şi mlr3learners pachete). Apoi, creați o sarcină de clasificare folosind datele de instruire ca intrare și credit_risk ca variabilă țintă (cu eticheta clasei good ca clasă pozitivă). Prin definirea unui mlr3 Sarcina, conceptualizăm problema ML pe care vrem să o rezolvăm (aici ne confruntăm cu o sarcină de clasificare). Deoarece avem aici o sarcină de clasificare, asigurați -vă că specificați în mod corespunzător clasa care ar trebui utilizată ca clasă pozitivă (adică eticheta clasei pentru care am dori să prezicem probabilități – aici good Dacă sunteți interesat să preziceți o probabilitate pentru bonitatea clienților).

library(mlr3verse)
task = as_task_classif(x = ..., target = ..., ... = "good")

Instruiți un model pe setul de date de instruire

Creatul Task Conține datele cu care vrem să lucrăm. Acum că am conceptualizat sarcina ML (adică clasificarea) într -un Task Obiect, este timpul să instruim prima noastră metodă de învățare supravegheată. Începem cu un clasificator simplu: un model de regresie logistică. În acest curs, veți câștiga, de asemenea, experiență cu modele mai complexe.

Potriviți un model de regresie logistică la german_credit sarcină de instruire.

logreg = lrn("classif.log_reg")
logreg$train(...)

Inspectați modelul

Aruncați o privire la coeficienți folosind summary(). Numiți cel puțin două caracteristici care au un efect semnificativ asupra rezultatului.

Prezice pe setul de date de testare

Utilizați modelul instruit pentru a prezice în setul de date Hold-Out/Test.

pred = yourmodel$predict_newdata(...)

Evaluare

Care este eroarea de clasificare a datelor de testare (200 de observații)?

Prezicerea probabilităților în loc de etichete

În mod similar, putem evalua performanța modelului nostru folosind ASC. Cu toate acestea, acest lucru necesită probabilități prezise în loc de etichete prevăzute. Evaluează modelul folosind ASC. Pentru a face acest lucru, reconstruiți modelul cu un elev care returnează probabilități.