Integration Nation
SnapLogic's Gemeinschaft
Diskutieren Sie, lernen Sie und tauschen Sie sich aus, wie Sie die Leistungsfähigkeit von SnapLogic nutzen können.
Vorhersage der Darlehensrückzahlung
Problem: Trainieren Sie ein maschinelles Lernmodell, um vorherzusagen, ob ein Kredit vollständig abbezahlt oder "abgeschrieben" (nie vollständig abbezahlt) werden wird.
Der Kontext: Finanzinstitute berücksichtigen bei der Bewilligung eines Kredits mehrere Variablen. Es ist schwierig festzustellen, ob ein bestimmter Kreditnehmer den Kredit vollständig zurückzahlen wird oder ob er abgeschrieben werden muss. Wenn der Kreditgeber zu streng ist, werden weniger Kredite genehmigt, was bedeutet, dass weniger Zinsen eingenommen werden können. Sind sie jedoch zu lasch, werden schließlich Kredite genehmigt, die nicht zurückgezahlt werden. Mithilfe des maschinellen Lernens können wir vorhersagen, welche Kredite abgeschrieben werden.
Modell-Typ: Mit AutoML** erstellte Ensemblemodelle
Was wir taten: Mithilfe von SnapLogic Data Science trainierten wir mehrere Modelle auf Kreditdaten von LendingClub, einem Peer-to-Peer-Kreditdienst, der seit 2007 über 1,5 Millionen Kredite genehmigt hat. Wir haben das maschinelle Lernmodell trainiert, um Kredite zu identifizieren, die wahrscheinlich abgeschrieben werden. Banken und andere Kreditgeber können dieses Modell nutzen, um schlechte Kredite zu vermeiden und in gute Kredite zu investieren, die Rendite bringen.(Mehr darüber, wie wir diese Demo entwickelt haben).
Testen Sie die Demo zum maschinellen Lernen der Kreditrückzahlungsvorhersage: Die folgende Tabelle enthält Informationen über 10 genehmigte Darlehen aus dem Datensatz. Die Vorhersagen stehen in der Spalte "Darlehensstatus". Versuchen Sie, die Daten zu ändern, und sehen Sie neue Vorhersagen in Echtzeit.
Sehen Sie sich auch den Dropdown-Filter in der Tabelle auf der rechten Seite an, um zu sehen, wie sich verschiedene Variablen (z. B. der Darlehensbetrag) auf den Rückzahlungsstatus auswirken.
**AutoML Snap (beta) automatisiert den Prozess der Untersuchung verschiedener Algorithmen für maschinelles Lernen mit unterschiedlichen Hyperparametern. Es nutzt die Ressourcen vollständig aus und liefert das beste Modell innerhalb eines bestimmten Zeitrahmens.