知识卡片
信用卡审批的决策树实例
银行审批信用卡时,把客户的职业、学历、房产、婚姻状况、有无贷款等特征输入模型,让模型预测“是否会逾期还款”,再用一棵决策树把判断过程展开:先看是否有房,有房且收入稳定的客户通常能按时还款;没房的客户则继续看婚姻、学历和收入,综合判断逾期风险。用途上,这个案例展示了决策树如何把历史还款记录转化为可执行的审批规则,新客户来了顺着树走一遍即可决策。边界在于:树是从有限的历史样本中归纳出来的,若客户群体特征分布发生变化,旧规则会失效;而且它给出的只是概率倾向,不是确定结论。反例是仅凭“无房、单身、本科以下、月入10k以下”就断定高风险,可能误伤优质客户。可迁移启发是:用少量关键特征做可解释判断,比堆砌大量变量更利于业务落地与复核。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 最容易理解的分类算法:决策树 5.2 决策树原理 · 查看原书依据
银行在决定要不要给某个客户办信用卡,以及确定卡片额度大小的时候,经常会对客户进行多方面的考量。将这个客户的职业、学历、房产信息、婚姻状况、有无贷款等特征输入模型中,最后让模型来分析这个客户会不会产生逾期还款。
参考来源
- 位置:《产品经理进阶:100个案例搞懂人工智能 (林中翘)》第5章《最容易理解的分类算法:决策树》(源文件:`../../book-sources/extracted/产品经理进阶:100个案例搞懂人工智能 (林中翘)/_epub-src/OEBPS/text00010.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文用10个信用卡客户数据构造决策树,并演示“没有房产、单身、学历在本科以下且月收入只有10k以下”的新客户被判定逾期概率较高,说明决策树能把特征组合转成可执行且可解释的分类规则。
- 原始内容:银行在决定要不要给某个客户办信用卡,以及确定卡片额度大小的时候,经常会对客户进行多方面的考量。将这个客户的职业、学历、房产信息、婚姻状况、有无贷款等特征输入模型中,最后让模型来分析这个客户会不会产生逾期还款。