信用リスク管理における組み合わせモデルの適用
はじめに:デフォルト予測を含む多くのシナリオで、ますます多くのモデラーが実際の作業でモデル統合の方法を適用し、良い結果を達成しています。???????????????????? ?????????????????????????????????????????????????? ?????????????????????????????????????????????????? ?????????????????????????????????????????????????? ?????????????????????????????????????????????????? ?????????????????????????????????????????????????? ?????????????????????????????????????????????????? ?????????????????????????????????????????????????? ?????????????????????????????????????????????????? ?????????????????????????????????????????????????? ?????????????????????????????????????????????????? ?????????????????????????????????????????????????? ?????????????????????????????????????????????????? ?????????????????????????????????????????????????? ?????????????????????????????????????????????????? ?????????????????????????????????????????????????? ?????????????????????????????? このレッスンでは、バギング、ブースティング、スタッキングの3つの基本的な統合方法を紹介します。
目次:
1.メタモデルと統合モデル
2.マルチモデルバギング
3.マルチモデルブースティング
4.マルチモデルスタッキング
1.メタモデルと統合モデル
統合モデルとは:さまざまな単一の問題を組み合わせて、1つの問題を一緒に解決します
統合モデルの必要性
-
リスク管理モデルのためのより広いスペースを提供できます
-
リスク管理評価の正確性と堅牢性の最適な選択に答えることができる
-
リスク管理モデルの効率を向上させることができます
統合モデルの原則:
単一分類器:基本学習モデルまたはメタモデル(基本学習者)対応するアルゴリズム:基本学習アルゴリズム(基本学習アルゴリズム)組み合わせ方法:ブースティング、バギング、スタッキング
•統合モデルでのメタモデルの選択
メタモデル間の関係により、統合モデルは異形統合と準同型統合に分けることができます。
異形統合
さまざまな分類および回帰アルゴリズムを使用して、単一のモデルを構築し、それを統合します
準同型統合
同じアルゴリズム(異なるパラメーターまたは異なるトレーニングセットでの構築)を使用して、単一のモデルを構築し、統合します
単一のモデルは、次の基本的な要件を満たす必要があります
•単一モデル間のデータまたは仮定の要件は、基本的に同じである必要があります
•単一モデルの分類エラー率が0.5未満
•単一モデル間の相互独立性を確保する
•単一モデルの複雑さも中程度である必要があります
•単一モデルの数はできるだけ多くありません
2.マルチモデルバギング
•統合方法1:バギング
バギングの代表的なものはランダムフォレストモデルです。この統合方法の手順は次のとおりです。
ケースバギングのメタモデルとして、ロジスティック回帰モデル、XGBoostモデル、人工ニューラルネットワークモデルの3つのモデルを使用します。モデルごとに、元のトレーニングセットからサンプルを抽出し、メタモデルのトレーニングセットと同じサイズのセットを作成します。得られた各モデルの結果は確率であり、平均値がバギング積分の出力として使用されます。これは典型的な異種統合です。
この場合、メタモデルのAUCと統合モデルのAUCを次の表に示します。データの前処理と特徴の導出は、スコアカードモデルの処理方法を参照します。
3.マルチモデルブースティング
4.マルチモデルスタッキング