Reject inference in credit scoring using Semi-supervised Support Vector Machines

مدل های برآورد اعتباری معمولا بر روی یک نمونه از متقاضیان پذیرفته شده است که اطلاعات بازپرداخت و رفتار پس از وام صادر شده قابل مشاهده است. با این حال در عمل این مدل ها به طور مرتب به متقاضیان جدید اعمال می شود که ممکن است منشاء نمونه را ایجاد کند. این تعصب حتی در وام آنلاین نیز مشهود است، که بیش از 90 درصد از کل درخواست وام رد می شود. استنتاج رد کردن روشی است که نتیجه را برای متقاضیان رد می کند و آنها را در سیستم به ثمر رساند، با این انتظار که دقت پیش بینی شده بهبود یابد. این مقاله مطالعات قبلی را با دو روش اصلی گسترش می دهد: اول، ما روش جدیدی را برای یادگیری ماشین برای حل مسئله استنتاج رد پیشنهاد می کنیم؛ در مرحله دوم، مدل مدلهای بردار پشتیبانی نیمه نظارت بر بهبود عملکرد مدل های به دست آمده در مقایسه با رگرسیون صنعتی رگرسیون لجستیک، بر اساس 56626 پذیرفته شده و 563،215 رد شده از پرداخت های آنلاین مصرف کننده را بهبود می بخشد.