一种用于银行卡响应分类的自动交互检测混合模型
机器学习
2019-01-03 v1 机器学习
摘要
本文提出一种混合银行卡响应模型，该模型将基于决策树的开方自动交互检测（CHAID）集成到逻辑回归中。在混合模型的第一阶段，使用 CHAID 分析来检测可能存在的变量交互作用。然后在第二阶段，这些潜在的交互作用作为逻辑回归中的附加输入变量。所提混合模型的动机是，增加变量交互作用可能会提升逻辑回归的性能。为证明所提混合模型的有效性，在一个真实的信贷客户响应数据集上对其进行了评估。结果表明，通过识别自变量之间的潜在交互作用，所提混合方法在分类准确率、受试者工作特征曲线下面积（ROC）以及 Kolmogorov-Smirnov（KS）统计量方面均优于不进行交互搜索的逻辑回归。此外，用于交互检测的 CHAID 分析在计算效率上远高于上述逐步搜索，且部分已识别的交互作用对目标变量具有统计显著的预测能力。最后同样重要的是，基于 CHAID 树生成的客户画像对交互作用提供了合理的解释，而这正是信贷行业监管所要求的。因此，本研究为处理银行卡分类任务提供了一种替代方案。
引用
@article{arxiv.1901.00251,
title = {An Automatic Interaction Detection Hybrid Model for Bankcard Response Classification},
author = {Yan Wang and Xuelei Sherry Ni and Brian Stone},
journal= {arXiv preprint arXiv:1901.00251},
year = {2019}
}